شبكات العصبي المتكررة (Convolutional Neural Networks) أثبتت مؤخرًا قدرتها على إعادة بناء صور ذات دقة عالية بجودة عالية من صورة واحدة فقط. في هذا البحث، نقترح شبكتَيْن لتقسيم الهرم اللابلاسياني لإعادة بناء الصور ذات الدقة العالية (Laplacian Pyramid Super-Resolution Network - LapSRN) بشكل تدريجي لإعادة بناء بقايا الأشرطة الفرعية للصور ذات الدقة العالية. في كل مستوى من مستويات الهرم، يأخذ نموذجنا خرائط الميزات ذات الدقة الخشنة كمدخلات، ويتنبأ بالبقايا ذات التردد العالي، ويستخدم التحويلات المعكوسة (Transposed Convolutions) للتكبير إلى المستوى الأكثر دقة. طريقتنا لا تتطلب التكبير الثنائي المكعب (Bicubic Interpolation) كخطوة معالجة أولية، مما يقلل بشكل كبير من التعقيد الحسابي. نقوم بتدريب الشبكة المقترحة باستخدام الإشراف العميق ودالة الخسارة القوية شاربونيه (Charbonnier Loss Function)، ونحقق إعادة بناء بجودة عالية. بالإضافة إلى ذلك، تولد شبكتنا توقعات متعددة المقياس في عملية إرسال واحدة عبر إعادة البناء التدريجي، مما يسهل التطبيقات التي تراعي الموارد. تُظهر التقييمات الكمية والنوعية الواسعة على مجموعات البيانات المرجعية أن الخوارزمية المقترحة تؤدي بشكل أفضل مقارنة بأحدث الأساليب من حيث السرعة والدقة.