Informative Features spielen eine entscheidende Rolle bei der Aufgabe der Einzelbild-Super-Resolution. Channel-Attention wurde bereits als effektiv erwiesen, um informationsreiche Merkmale in jeder Schicht zu bewahren. Allerdings behandelt Channel-Attention jede Faltungs-Schicht als eigenständigen Prozess und berücksichtigt dabei die Korrelationen zwischen den verschiedenen Schichten nicht. Um dieses Problem anzugehen, schlagen wir ein neues ganzheitliches Aufmerksamkeitsnetzwerk (Holistic Attention Network, HAN) vor, das aus einem Layer-Attention-Modul (Layer Attention Module, LAM) und einem Channel-Spatial-Attention-Modul (Channel-Spatial Attention Module, CSAM) besteht, um die ganzheitlichen Abhängigkeiten zwischen Schichten, Kanälen und Positionen zu modellieren. Konkret betont das vorgeschlagene LAM hierarchische Merkmale adaptiv, indem es die Korrelationen zwischen den Schichten berücksichtigt. Gleichzeitig lernt das CSAM die Zuverlässigkeit an allen Positionen jedes Kanals, um gezielt informationsreichere Merkmale zu erfassen. Umfassende Experimente zeigen, dass das vorgeschlagene HAN gegenüber den aktuellen Stand der Technik in der Einzelbild-Super-Resolution hervorragende Ergebnisse erzielt.