Ein sehr tiefer konvolutioneller neuronaler Netzwerk (CNN) hat kürzlich erheblichen Erfolg bei der Bild-Super-Resolution (SR) erzielt und zudem hierarchische Merkmale bereitgestellt. Allerdings nutzen die meisten auf tiefen CNNs basierenden SR-Modelle die hierarchischen Merkmale aus den ursprünglichen Niedrigauflösungs-(LR)-Bildern nicht vollständig, wodurch eine vergleichsweise geringe Leistung erzielt wird. In diesem Artikel stellen wir ein neuartiges Residual-Dense-Netzwerk (RDN) vor, um dieses Problem in der Bild-Super-Resolution anzugehen. Wir nutzen die hierarchischen Merkmale aller konvolutionellen Schichten vollständig aus. Konkret schlagen wir einen Residual-Dense-Block (RDB) vor, um reichhaltige lokale Merkmale durch dicht verbundene konvolutionelle Schichten zu extrahieren. Der RDB ermöglicht zudem direkte Verbindungen vom Zustand des vorhergehenden RDB zu allen Schichten des aktuellen RDB, was eine kontinuierliche Speichermechanik (Contiguous Memory, CM) erzeugt. Die lokale Merkmalsfusion im RDB wird anschließend genutzt, um adaptiv effektivere Merkmale aus den vorhergehenden und aktuellen lokalen Merkmalen zu lernen und die Stabilität des Trainings breiter Netzwerke zu gewährleisten. Nach der vollständigen Erfassung dichter lokaler Merkmale verwenden wir eine globale Merkmalsfusion, um global hierarchische Merkmale auf integrierter und adaptiver Weise gemeinsam zu lernen. Umfangreiche Experimente an Benchmark-Datensätzen unter verschiedenen Degradationsmodellen zeigen, dass unser RDN gegenüber aktuellen State-of-the-Art-Methoden eine hervorragende Leistung erzielt.