Neuere Fortschritte im Bereich der Bildsuperauflösung (SR) haben die Leistungsfähigkeit des Deep Learnings zur Verbesserung der Rekonstruktion untersucht. Allerdings wurde das Feedback-Mechanismus, der im menschlichen Sehsystem üblich ist, in den bisherigen auf Deep Learning basierenden Methoden für Bildsuperauflösung noch nicht vollständig genutzt. In dieser Arbeit schlagen wir ein Feedback-Netzwerk für Bildsuperauflösung (SRFBN) vor, um niedrigstufige Darstellungen mit hochstufigen Informationen zu verfeinern. Insbesondere verwenden wir verborgene Zustände in einem RNN unter Berücksichtigung von Nebenbedingungen, um diesen Feedback-Zugang zu realisieren. Ein Feedback-Block wurde entwickelt, um die Feedback-Verbindungen zu verwalten und leistungsstarke hochstufige Darstellungen zu generieren. Das vorgeschlagene SRFBN zeichnet sich durch eine starke Fähigkeit zur frühen Rekonstruktion aus und kann das endgültige Hochauflösungsbild Schritt für Schritt erstellen. Darüber hinaus führen wir eine Strategie des Curriculum Learnings ein, um das Netzwerk besser für komplexere Aufgaben geeignet zu machen, bei denen die Niedrigauflösungsbilder durch verschiedene Degradationstypen beeinträchtigt sind. Ausführliche experimentelle Ergebnisse belegen die Überlegenheit des vorgeschlagenen SRFBN im Vergleich zu den besten bisher bekannten Methoden. Der Quellcode ist unter https://github.com/Paper99/SRFBN_CVPR19 verfügbar.