Interlacing ist eine weit verbreitete Technik im Fernseh- und Videobereich, die die wahrgenommene Bildwiederholrate verdoppeln kann, ohne die Bandbreite zu erhöhen. Allerdings führt es während der Wiedergabe zu ärgerlichen visuellen Artefakten wie Flackern und Silhouette-"Zähnchen" (serration). Bestehende fortschrittliche Entflechtungsmethoden ignorieren entweder die zeitliche Information, um Echtzeit-Leistung zu gewährleisten, aber auf Kosten einer geringeren visuellen Qualität, oder sie schätzen die Bewegung für eine bessere Entflechtung, was jedoch mit einem höheren Rechenaufwand einhergeht. In dieser Arbeit stellen wir erstmals eine neuartige Methode vor, die auf tiefen Faltungsneuronalen Netzen (DCNNs) basiert und sowohl hohe visuelle Qualität als auch Echtzeit-Leistung bietet. Im Gegensatz zu bestehenden Modellen für Super-Resolution-Probleme, die von der Translation-Invarianz ausgehen, nutzt unser vorgeschlagenes DCNN-Modell die zeitliche Information aus den ungeraden und geraden Halbbildern, um nur die fehlenden Zeilen wiederherzustellen und gleichzeitig die gegebenen ungeraden und geraden Zeilen beizubehalten, um vollständig entflechtete Bilder zu erzeugen. Durch die Einführung einer schichtweise teilbaren Architektur kann unser System eine Echtzeit-Leistung auf einem einzelnen GPU erreichen. Experimente zeigen, dass unsere Methode alle bestehenden Methoden in Bezug auf Rekonstruktionsgenauigkeit und Rechengüte übertrifft.