Kürzliche Ansätze des Deep Learnings zur Super-Resolution von einzelnen Bildern haben beeindruckende Ergebnisse in Bezug auf traditionelle Fehlermaße und wahrnehmungsbasierte Qualität erzielt. Dennoch stellt es in jedem Fall eine Herausforderung dar, für große Upsampling-Faktoren hochwertige Ergebnisse zu erreichen. Zu diesem Zweck schlagen wir eine Methode vor (ProSR), die sowohl in der Architektur als auch im Training fortschreitend ist: Das Netzwerk erhöht die Auflösung eines Bildes in Zwischenschritten, während der Lernprozess von einfach zu schwierig organisiert wird, wie dies im Curriculum Learning üblich ist. Um realistischere Ergebnisse zu erzielen, entwickeln wir ein generatives adversariales Netzwerk (GAN), das ProGanSR genannt wird und das gleiche fortschreitende Multi-Skalen-Designprinzip befolgt. Dies ermöglicht nicht nur eine gute Skalierung für hohe Upsampling-Faktoren (z.B. 8x), sondern bildet auch einen prinzipiellen Multi-Skalen-Ansatz, der die Rekonstruktionsqualität für alle Upsampling-Faktoren gleichzeitig verbessert. Insbesondere rangiert ProSR im NTIRE2018 SISR Challenge [34] bezüglich des SSIM-Werts auf dem zweiten Platz und bezüglich des PSNR-Werts auf dem vierten Platz. Im Vergleich zum ersten Team ist unser Modell marginal schlechter, läuft aber fünfmal schneller.