تستخدم طرق زيادة دقة الصور الفردية المستندة إلى التعلم العميق كميات كبيرة من مجموعات البيانات للتدريب، وقد حققت تقدمًا نوعيًا وكميًا كبيرًا مؤخرًا. تركز معظم الشبكات العميقة على التعيين غير الخطي من المدخلات ذات الدقة المنخفضة إلى المخرجات ذات الدقة المرتفعة عبر التعلم الباطني دون استكشاف التجريد والتحليل الخاص بالسمات. نقترح شبكة الإسقاط الهرمية (HBPN)، التي تتراص فيها عدة وحدات ساعة زجاجية (HG) لمعالجة السمات في اتجاهين صعودي وهبوطي عبر جميع المقاييس لالتقاط الارتباطات المكانية المختلفة، ثم تجمع أفضل تمثيل لإعادة بناء الصورة. نعتمد كتل الإسقاط الخلفي في شبكتنا المقترحة لتوفير عملية تصغير وتضخيم مرتبطة بالخطأ بديلاً عن عملية التفكيك البسيطة والتجميع لتحقيق تقدير أفضل. يتم استخدام عملية إعادة بناء مرجحة جديدة تعتمد على دالة Softmax لدمج مخرجات وحدات HG لتحسين زيادة الدقة بشكل أكبر. تظهر النتائج التجريبية على مجموعات بيانات مختلفة (بما في ذلك مجموعة البيانات الخاصة بالتحقق من الصحة في تحدي زيادة دقة الصور الحقيقية NTIRE2019) أن نهجنا المقترح يمكنه تحقيق وتحسين أداء أفضل الأساليب المتقدمة لمختلف عوامل التكبير.