أحرزت الشبكة العصبية التلافيفية العميقة جدًا (CNN) نجاحًا كبيرًا مؤخرًا في مجال تحسين دقة الصور (SR)، وقدمت أيضًا خصائص هرمية. ومع ذلك، لا تُستغل معظم النماذج القائمة على الشبكات العصبية التلافيفية العميقة في تحسين دقة الصور الخصائص الهرمية المتوفرة في الصور المنخفضة الدقة الأصلية (LR) إلى أقصى حد، مما يؤدي إلى أداء نسبيًا منخفض. في هذا البحث، نقترح شبكة جديدة تُسمى الشبكة المتبقية الكثيفة (RDN) لمعالجة هذه المشكلة في تحسين دقة الصور. ونستغل بالكامل الخصائص الهرمية المستمدة من جميع طبقات التلافيف. بشكل خاص، نقترح وحدة التفريع الكثيف المتبقية (RDB) لاستخلاص خصائص محلية غنية من خلال طبقات تلافيفية متصلة بشكل كثيف. كما تتيح وحدة RDB اتصالات مباشرة من الحالة السابقة لوحدة RDB السابقة إلى جميع طبقات وحدة RDB الحالية، مما يُنشئ آلية ذاكرة متواصلة (CM). ثم تُستخدم عملية دمج الخصائص المحلية داخل وحدة RDB لتعلم تلقائي لخصائص أكثر فعالية من الخصائص المحلية السابقة والحالية، وتساهم في تثبيت عملية التدريب للشبكة الواسعة. وبعد استخلاص الخصائص المحلية الكثيفة بالكامل، نستخدم دمج الخصائص العالمية لتعلم خصائص هرمية عالمية مشتركة ومتعددة التكيف بطريقة شاملة. أظهرت التجارب الواسعة على مجموعات بيانات معيارية باستخدام نماذج مختلفة للتدهور أن شبكتنا RDN تحقق أداءً متميزًا مقارنةً بالأساليب الرائدة حاليًا.