Neuere Arbeiten, die implizite neuronale Funktionen einsetzen, haben Einblicke in die Darstellung von Bildern in beliebiger Auflösung ermöglicht. Allerdings zeigt ein eigenständiges mehrschichtiges Perzeptron begrenzte Leistungsfähigkeit bei der Erfassung hochfrequenter Komponenten. In diesem Paper stellen wir einen Local Texture Estimator (LTE) vor, einen Schätzer für dominante Frequenzen natürlicher Bilder, der es einer impliziten Funktion ermöglicht, feine Details zu erfassen und Bilder kontinuierlich wiederzugeben. In Kombination mit einer tiefen Super-Resolution-(SR)-Architektur ist LTE in der Lage, Bildtexturen im zweidimensionalen Fourier-Raum zu charakterisieren. Wir zeigen, dass eine auf LTE basierende neuronale Funktion im Vergleich zu bestehenden tiefen SR-Methoden eine überzeugende Leistung bei beliebigen Skalierungsfaktoren erzielt. Zudem demonstrieren wir, dass unsere Implementierung im Vergleich zu vorherigen Arbeiten die kürzeste Laufzeit aufweist.