In diesem Artikel entwickeln wir eine kompakte, jedoch effiziente Netzwerkarchitektur namens Linear Compressing based Skip-Connecting Network (LCSCNet) für die Bild-Super-Resolution. Im Vergleich zu zwei repräsentativen Netzwerkarchitekturen mit Skip-Connections, ResNet und DenseNet, wird in LCSCNet eine lineare Kompressions-Schicht für die Skip-Connection eingesetzt, die vorherige Merkmalskarten mit neu entdeckten Merkmalskarten verbindet und von diesen unterscheidet. Auf diese Weise vereint das vorgeschlagene LCSCNet die Vorteile der differenzierenden Merkmalsbehandlung von DenseNet und der parameterökonomischen Struktur von ResNet. Darüber hinaus schlagen wir, inspiriert durch Gate-Einheiten in LSTM, eine adaptive elementweise Fusionsstrategie in Kombination mit Multi-Supervised-Training vor, um hierarchische Informationen aus tiefen Modellen sowohl auf niedrigen als auch auf hohen Ebenen verschiedener Empfindlichkeitsfelder besser auszunutzen. Experimentelle Ergebnisse im Vergleich zu aktuellen State-of-the-Art-Algorithmen bestätigen die Wirksamkeit von LCSCNet.