Kürzlich wurden tiefe konvolutionelle neuronale Netze (CNNs) weitgehend in der Einzelbild-Super-Resolution (SISR) untersucht und erzielten bemerkenswerte Leistungen. Allerdings konzentrieren sich die meisten bestehenden CNN-basierten SISR-Methoden hauptsächlich auf die Gestaltung breiterer oder tieferer Architekturen und vernachlässigen die Exploration der Merkmalskorrelationen zwischen den mittleren Schichten, was die Repräsentationskraft der CNNs einschränkt. Um dieses Problem anzugehen, schlagen wir in diesem Artikel ein zweiter-Ordnung-Attention-Netzwerk (SAN) vor, um eine leistungsfähigere Merkmalsdarstellung und eine verbesserte Lernung von Merkmalskorrelationen zu ermöglichen. Konkret wird ein neuartiges, trainierbares zweiter-Ordnungskanal-Attention-(SOCA)-Modul entwickelt, das die kanalweisen Merkmale adaptiv skaliert, indem es zweite Ordnung Merkmalsstatistiken nutzt, um differenziertere Darstellungen zu erzeugen. Darüber hinaus präsentieren wir eine nicht-lokal erweiterte Residualgruppe (NLRG), die nicht nur nicht-lokale Operationen zur Erfassung von langstreckigen räumlichen Kontextinformationen integriert, sondern auch wiederholte lokale Quellen-Residual-Attention-Gruppen (LSRAG) enthält, um zunehmend abstraktere Merkmalsdarstellungen zu lernen. Experimentelle Ergebnisse belegen die Überlegenheit unseres SAN-Netzwerks gegenüber aktuellen SISR-Methoden sowohl hinsichtlich quantitativer Metriken als auch hinsichtlich visueller Qualität.