في الآونة الأخيرة، أثبتت الشبكات العصبية العميقة قدرتها على تحسين أداء زيادة دقة الصور الفردية (SISR) بشكل كبير. ركزت العديد من الدراسات على تحسين الجودة الكمية للصور ذات الدقة المرتفعة (SR). ومع ذلك، فإن هذه الطرق التي تستهدف تعظيم نسبة الإشارة إلى الضوضاء الذروية (PSNR) غالبًا ما تنتج صورًا مشوشة عند عوامل التكبير الكبيرة. يمكن أن يساعد إدخال شبكات المولدات المتنافسة (GANs) في تخفيف هذه المشكلة وإظهار نتائج مثيرة للإعجاب مع النسيج عالي التردد الصناعي. ومع ذلك، فإن هذه النماذج القائمة على GAN دائمًا لديها ميل لإضافة نسيج وهمي وحتى تشوهات لجعل صورة SR بجودة مرئية أعلى. في هذا البحث، نقترح طريقة جديدة لزيادة دقة الصور الحسية التي تولد نتائج عالية الجودة بشكل تدريجي من خلال بناء شبكة مرحلية. تحديدًا، تتركز المرحلة الأولى على تقليل الخطأ البكسلي، بينما تستفيد المرحلة الثانية من الخصائص المستخرجة من المرحلة السابقة لتحقيق نتائج أفضل في الحفاظ على الهيكل. أما المرحلة النهائية فتستخدم خصائص البنية الدقيقة المصفاة في المرحلة الثانية لإنتاج نتائج أكثر واقعية. بهذه الطريقة، يمكننا الحفاظ على المعلومات البكسلية والهيكلية في الصورة الحسية بأكبر قدر ممكن.من المهم الإشارة إلى أن الطريقة المقترحة قادرة على بناء ثلاثة أنواع من الصور في عملية متقدمة مباشرة. كما نستكشف مولدًا جديدًا يستخدم الاندماج التدرجى للخصائص الهرمية المتعددة الأبعاد. أظهرت التجارب الواسعة على مجموعات البيانات المرجعية أن نهجنا يتفوق على أفضل الأساليب الموجودة حاليًا. الرمز البرمجي متاح عبر الرابط: https://github.com/Zheng222/PPON.