شبكات العصب الاصطناعية ذات الدقة الفائقة قد أظهرت مؤخرًا قدرة عالية على استعادة الصور الفردية بجودة عالية. ومع ذلك، فإن الخوارزميات الحالية غالبًا ما تتطلب هياكل عميقة جدًا وأوقات تدريب طويلة. بالإضافة إلى ذلك، لا تستطيع شبكات العصب الاصطناعية الحالية لزيادة الدقة استغلال الميزات في مستويات متعددة أو تقديرها بشكل متساوٍ، مما يحد من قدرتها على التعلم. في هذا العرض، نقدم خوارزمية دقة فائقة مدمجة ودقيقة تُسمى شبكة لابلاس المتبقية الكثيفة (DRLN). يستخدم الشبكة المقترحة تركيبات متبقية متسلسلة على الهيكل المتبقى لتمكين تدفق المعلومات ذات التردد المنخفض مع التركيز على تعلم الميزات المتوسطة والعالية المستوى. بالإضافة إلى ذلك، يتم تحقيق الرقابة العميقة من خلال إعداد الكتل المتبقية المرتبطة كثيفًا، مما يساعد أيضًا في تعلم الميزات المعقدة ذات المستوى العالي. علاوة على ذلك، نقترح انتباه لابلاس لنمذجة الميزات الحرجة وتعلم الارتباطات بين المستويات الداخلية والخارجية بين خرائط الميزات. علاوة على ذلك، توضح التقييمات الكمية والنوعية الشاملة على مجموعات بيانات مقاييس الصور التاريخية الحقيقية والمنخفضة الدقة والمزعزعة أن خوارزميتنا DRLN تؤدي بشكل متفوق ومتوافق مع أفضل الأساليب الحالية بصريًا وبشكل دقيق.