شهدت تقنية زيادة دقة الصور الفردية (Single Image Super-Resolution - SISR) تقدماً كبيراً مع زيادة عمق وعرض الشبكات العصبية التلافيفية (Convolutional Neural Network - CNN). ومع ذلك، فإن كثرة المعلمات تعيق تطبيقها في المشكلات الحقيقية. في هذه الرسالة، نقترح شبكة خفيفة لدمج الخصائص (Lightweight Feature Fusion Network - LFFN) يمكنها استكشاف المعلومات السياقية متعددة القياسات بشكل كامل وتقليل معلمات الشبكة بشكل كبير بينما تعظم نتائج SISR. يتم بناء LFFN على كتل شكل الإبرة ووحدة دمج الخصائص ذات الدالة softmax (Softmax Feature Fusion Module - SFFM). بوجه خاص، تتكون كتلة الإبرة من وحدة توسيع البعد، ووحدة استكشاف الخصائص، ووحدة تحسين الخصائص. تقوم طبقة توسيع البعد بتوسيع الأبعاد المنخفضة إلى أبعاد مرتفعة وتتعلم الخرائط الخاصة بالخصائص ضمنياً بطريقة تناسب الوحدة التالية. تقوم وحدة استكشاف الخصائص باستكشاف الخصائص الخطية وغير الخطية الموجهة لخرائط خصائص مختلفة. تُستخدم طبقة تحسين الخصائص لدمج وتكرار الخصائص. يقوم SFFM بدمج الخصائص من الوحدات المختلفة بطريقة تعلم ذاتية متكيفة باستخدام دالة softmax، مما يتيح الاستفادة الكاملة من المعلومات الهرمية بتكلفة قليلة من المعلمات. أظهرت التجارب النوعية والكمية على مجموعات البيانات المرجعية أن LFFN حققت أداءً مفضلاً مقابل الأساليب المتقدمة الأخرى بمعلمات مشابهة.