Super-Resolution Convolutional Neural Networks haben kürzlich eine hochwertige Restauration von Einzelbildern gezeigt. Bestehende Algorithmen erfordern jedoch oft sehr tiefe Architekturen und lange Trainingszeiten. Darüber hinaus sind aktuelle Convolutional Neural Networks für Super-Resolution nicht in der Lage, Merkmale auf mehreren Skalen auszuwerten und gleichwertig zu gewichten, was ihre Lernfähigkeit einschränkt. In dieser Arbeit stellen wir ein kompaktes und genaues Super-Resolution-Verfahren vor, nämlich das Densely Residual Laplacian Network (DRLN). Das vorgeschlagene Netzwerk verwendet eine Kaskade von Residualstrukturen, um den Fluss von Niederfrequenzinformationen zu ermöglichen, die sich auf das Lernen von hoch- und mittelstufigen Merkmalen konzentrieren. Zudem wird tiefes Supervision durch die dicht verkoppelten Residualblöcke erreicht, was auch beim Lernen von hochstufigen komplexen Merkmalen hilft. Des Weiteren schlagen wir Laplacian Attention vor, um die entscheidenden Merkmale zu modellieren und die Abhängigkeiten zwischen den Featuremaps sowohl inter- als auch intrastufig zu lernen. Umfassende quantitative und qualitative Bewertungen an Benchmark-Datensätzen für niederstufige, rauschige niederstufige und historische Bilder zeigen, dass unser DRLN-Algorithmus visuell und präzise gegenüber den aktuellen Stand der Technik Methoden überzeugt.