Die feed-forward-Architekturen von kürzlich vorgeschlagenen tiefen Super-Resolution-Netzen lernen Darstellungen von niederAuflösenden Eingaben und die nichtlineare Abbildung dieser auf hochauflösende Ausgaben. Allerdings adressiert dieser Ansatz die gegenseitigen Abhängigkeiten zwischen nieder- und hochauflösenden Bildern nicht vollständig. Wir schlagen Deep Back-Projection Networks (DBPN) vor, die iterativ Auf- und Abtastrichtungs-Schichten nutzen, um ein Fehlersignal für Projektionsfehler in jeder Stufe bereitzustellen. Wir bauen gegenseitig verbundene Auf- und Abtastrichtungs-Stufen, wobei jede Stufe verschiedene Arten von Bildverschlechterungen und hochauflösende Komponenten darstellt. Wir zeigen, dass die Erweiterung dieses Konzepts zur Verkettung von Merkmalen über die Auf- und Abtastrichtungs-Stufen hinweg (Dichte DBPN) es uns ermöglicht, die Super-Resolution weiter zu verbessern, was zu überlegenen Ergebnissen führt und insbesondere neue Stand der Technik-Ergebnisse für große Skalierungsfaktoren wie 8x in mehreren Datensätzen etabliert.