Frühere Feed-Forward-Architekturen von kürzlich vorgeschlagenen tiefen Super-Resolution-Netzen lernen die Merkmale von niedrigen Eingabeaufnahmen und die nichtlineare Abbildung dieser auf eine hochaufgelöste Ausgabe. Dieser Ansatz berücksichtigt jedoch nicht vollständig die gegenseitigen Abhängigkeiten zwischen niedrig- und hochaufgelösten Bildern. Wir schlagen Deep Back-Projection Networks (DBPN) vor, den Gewinner von zwei Bild-Super-Resolution-Challenges (NTIRE2018 und PIRM2018), die iterative Auf- und Abtastrichtungsschichten nutzen. Diese Schichten bilden eine Einheit, die ein Fehlersignal für Projektionsfehler bereitstellt. Wir erstellen wechselseitig verbundene Auf- und Abtastrichtungseinheiten, wobei jede verschiedene Arten von niedrigen und hochaufgelösten Komponenten repräsentiert. Darüber hinaus zeigen wir, dass die Erweiterung dieser Idee zu einem neuen Einblick in eine effizientere Netzwerkgestaltung führt, insbesondere durch Parameterfreigabe im Projektionsmodul und Übergangsschicht bei der Projektionsschritt. Die experimentellen Ergebnisse liefern überlegene Resultate und etablieren insbesondere neue Standarte in mehreren Datensätzen, besonders bei großen Skalierungsfaktoren wie 8x.