في هذا التقرير، نوضح أن النماذج ذات الميزات الأوسع قبل تنشيط ReLU تحقق أداءً أفضل بكثير في تحسين دقة الصور الفردية (SISR) مع نفس المعلمات والميزانيات الحسابية. الشبكة الناتجة لتحسين الدقة (SR) لديها مسار خرائط هوية رفيع مع قنوات أوسع ((2\times) إلى (4\times)) قبل التنشيط في كل كتلة بواقي. للتوسيع أكثر من ذلك في التنشيط ((6\times) إلى (9\times)) دون زيادة العبء الحسابي، نقدم التوافقي الخطي منخفض الرتبة إلى شبكات تحسين الدقة ونحقق تنازلات أفضل بين الدقة والكفاءة. بالإضافة إلى ذلك، مقارنةً بالتطبيع الدُفعي أو عدم التطبيع، وجدنا أن التدريب باستخدام التطبيع الوزني يؤدي إلى دقة أفضل لشبكات تحسين الدقة العميقة. شبكتنا المقترحة \textit{WDSR} تحقق نتائج أفضل على معيار DIV2K لتحسين دقة الصور على نطاق واسع من حيث نسبة الإشارة إلى الضوضاء الذروية (PSNR) مع نفس أو أقل تعقيد حسابي. استنادًا إلى WDSR، حققت طريقتنا أيضًا المركز الأول في تحدي NTIRE 2018 لتحسين دقة الصورة الفردية في جميع المسارات الواقعية الثلاثة. تدعم التجارب والدراسات الاستبعادية أهمية التنشيط الواسع لتحسين دقة الصور.الرمز البرمجي متاح على الرابط التالي:https://github.com/JiahuiYu/wdsr_ntire2018