الهياكل العصبية ذات التغذية التقدمية السابقة للشبكات العميقة المُقترحة حديثًا لزيادة الدقة تتعلم خصائص المدخلات ذات الدقة المنخفضة والخريطة غير الخطية من هذه الخصائص إلى مخرجات ذات دقة عالية. ومع ذلك، فإن هذا النهج لا يعالج بشكل كامل الارتباطات المتبادلة بين الصور ذات الدقة المنخفضة والعالية. نقترح شبكات الإسقاط العكسي العميقة (Deep Back-Projection Networks - DBPN)، التي فازت بتحديين لزيادة دقة الصور (NTIRE2018 و PIRM2018)، والتي تستغل طبقات التضخيم والتقليل التكرارية. تتكون هذه الطبقات كوحدة توفر آلية تغذية راجعة للأخطاء في الإسقاط. نقوم ببناء وحدات تضخيم وتقليل متصلة متبادلًا، كل منها يمثل أنواعًا مختلفة من المكونات ذات الدقة المنخفضة والعالية. كما نوضح أن توسيع هذا الفكرة يؤدي إلى رؤية جديدة نحو تصميم شبكات أكثر كفاءة بشكل كبير، مثل مشاركة المعلمات في وحدة الإسقاط وطبقة الانتقال في خطوة الإسقاط. تُظهر النتائج التجريبية نتائج متفوقة وفيما يتعلق بشكل خاص بإنشاء نتائج جديدة على مستوى الحالة الفنية في عدة مجموعات بيانات، خاصة بالنسبة لعوامل التكبير الكبيرة مثل 8×.