Einbild-Superresolution ist eine sehr wichtige Aufgabe im Bereich der Computer Vision mit einer breiten Anwendungsspektrum. In den letzten Jahren hat sich die Tiefe der Superresolution-Modelle stetig erhöht, wobei jedoch ein geringer Leistungsanstieg enorme Mengen an Rechen- und Speicheraufwand mit sich gebracht hat. In dieser Arbeit, um die Superresolution-Modelle effektiver zu gestalten, schlagen wir eine neuartige Einbild-Superresolution-Methode mittels rekursiver Squeeze-and-Excitation-Netzwerke (SESR) vor. Durch die Einführung des Squeeze-and-Excitation-Moduls kann unser SESR die Abhängigkeiten und Beziehungen zwischen Kanälen modellieren, was unsere Modellstruktur effizienter macht. Zudem minimiert die rekursive Struktur und die progressive Rekonstruktionsmethode in unserem Modell die Anzahl der Schichten und Parameter und ermöglicht es dem SESR, mehrere Skalen von Superresolution in einem einzigen Modell gleichzeitig zu trainieren. Nach der Auswertung auf vier Benchmark-Datensätzen wurde unser Modell sowohl in Bezug auf Geschwindigkeit als auch auf Genauigkeit den aktuellen Stand der Technik überlegen.请注意，这里将“single image super resolution”翻译为“Einbild-Superresolution”，这是在德语文献中常见的翻译方式。同时，“recursive squeeze and excitation networks (SESR)”被翻译为“rekursive Squeeze-and-Excitation-Netzwerke (SESR)”，以保持专业性和信息完整性。