Der wesentliche Erfolg bestehender Verfahren zur Videosuperauflösung (VSR) stammt hauptsächlich aus der Exploration von räumlichen und zeitlichen Informationen, was in der Regel durch ein rekurrentes Propagationsmodul mit einem Ausrichtungsmodul erreicht wird. Jedoch führt eine ungenaue Ausrichtung oft zu alignierten Features mit erheblichen Artefakten, die während der Propagation angesammelt werden und somit die Video-Wiederherstellung beeinträchtigen. Darüber hinaus können Propagationsmodule nur die gleichen Zeitstufen-Features nach vorne oder hinten propagieren, was bei komplexer Bewegung oder Verdeckung versagen kann und ihre Leistung für hochwertige Frame-Wiederherstellung einschränkt. Um diese Probleme zu lösen, schlagen wir eine kollaborative Feedback-Diskriminierungsmethode (CFD) vor, um ungenaue alignierte Features zu korrigieren und langfristige räumliche und zeitliche Informationen besser zu modellieren, um eine bessere Video-Rekonstruktion zu ermöglichen. Im Detail entwickeln wir eine diskriminative Ausrichtungskorrekturmethode (DAC), um Informationen adaptiv zu erforschen und den Einfluss von Artefakten aufgrund ungenauer Ausrichtung zu reduzieren. Anschließend schlagen wir ein Modul zur kollaborativen Feedback-Propagation (CFP) vor, das Rückkopplungs- und Gating-Mechanismen verwendet, um räumliche und zeitliche Informationen verschiedener Zeitstufen-Features gleichzeitig aus Vorwärts- und Rückwärtspropagation besser zu erforschen. Schließlich integrieren wir die vorgeschlagenen DAC- und CFP-Module in gängige VSR-Netze, um die Effektivität unserer Methode zu überprüfen. Quantitative und qualitative Experimente auf mehreren Benchmarks zeigen, dass unsere Methode die Leistung bestehender VSR-Modelle verbessern kann, während sie eine niedrigere Modellkomplexität beibehält. Der Quellcode und die vortrainierten Modelle werden unter \url{https://github.com/House-Leo/CFDVSR} verfügbar sein.