Kürzlich wurde gezeigt, dass tiefe neuronale Netze die Leistungsfähigkeit der Super-Resolution (SR) von einzelnen Bildern erheblich verbessern können. Zahlreiche Studien haben sich darauf konzentriert, die quantitative Qualität von SR-Bildern zu steigern. Allerdings führen Methoden, die auf die Maximierung des Peak Signal-to-Noise Ratio (PSNR) abzielen, oft zu verschwommenen Bildern bei großen Vergrößerungsfaktoren. Die Einführung von generativen adversären Netzwerken (GANs) kann dieses Problem lindern und beeindruckende Ergebnisse mit synthetischen Hochfrequenztexturen erzielen. Dennoch neigen diese GAN-basierten Ansätze dazu, künstliche Texturen und sogar Artefakte hinzuzufügen, um das SR-Bild visuell höher aufgelöst erscheinen zu lassen. In dieser Arbeit schlagen wir eine neuartige perzeptive Methode für die Super-Resolution von Bildern vor, die schrittweise visuell hochwertige Ergebnisse durch den Aufbau eines stufenweisen Netzes generiert. Insbesondere konzentriert sich der erste Schritt auf das Minimieren des pixelbasierten Fehlers, während der zweite Schritt die im ersten Schritt extrahierten Merkmale nutzt, um bessere strukturelle Erhaltung zu erreichen. Der letzte Schritt verwendet detaillierte Strukturmerkmale, die im zweiten Schritt destilliert wurden, um realistischere Ergebnisse zu produzieren. Auf diese Weise können wir so viel wie möglich Informationen auf Pixel- und Strukturlevel in dem perzeptiven Bild beibehalten. Es ist erwähnenswert, dass das vorgeschlagene Verfahren drei Arten von Bildern in einem Feedforward-Prozess erstellen kann. Darüber hinaus untersuchen wir einen neuen Generator, der Multi-Scale Hierarchical Features Fusion (MSHFF) einsetzt. Ausführliche Experimente an Benchmark-Datensätzen zeigen, dass unser Ansatz den aktuellen Stand der Technik übertrifft. Der Quellcode ist unter https://github.com/Zheng222/PPON verfügbar.