Die neuesten Ansätze des Deep Learning erzielen in verschiedenen Aufgaben der Bildrestaurierung bessere Ergebnisse als die aktuellsten Methoden der Signalverarbeitung. Allerdings bleibt die Leistung dieser CNNs weiterhin unter dem Niveau, wenn Bilder viele Muster und Strukturen enthalten. Um dieses Problem zu lösen, stellen wir hier einen neuartigen Algorithmus für tiefes Residual-Lernen im Merkmalsraum vor, der die bestehenden Residual-Lernverfahren übertrifft. Die zentrale Idee basiert auf der Beobachtung, dass die Leistung eines Lernalgorithmus verbessert werden kann, wenn durch eine analytische Abbildung in einen Merkmalsraum die Topologie von Eingabe- und/oder Label-Mannigfaltigkeiten vereinfacht wird. Unsere umfangreichen numerischen Studien, basierend auf Rauschunterdrückungsversuchen und der NTIRE-Wettbewerbsserie zur Einzelbild-Super-Resolution (SISR), zeigen, dass das vorgeschlagene Residual-Lernen im Merkmalsraum die bestehenden state-of-the-art-Verfahren übertrifft. Darüber hinaus erreichte unser Algorithmus beim NTIRE-Wettbewerb den dritten Platz, wobei die Rechenzeit 5 bis 10 Mal schneller war als die der führenden Teams. Der Quellcode ist unter folgender URL verfügbar: https://github.com/iorism/CNN.git