Les architectures à propagation avant des réseaux de sur-résolution profonde récemment proposés apprennent des représentations d'entrées à faible résolution et la carte non-linéaire de celles-ci vers une sortie à haute résolution. Cependant, cette approche ne prend pas pleinement en compte les dépendances mutuelles entre les images à faible et haute résolution. Nous proposons des Réseaux de Rétroprojection Profonde (Deep Back-Projection Networks, DBPN), qui exploitent des couches d'échantillonnage itératif ascendantes et descendantes, fournissant un mécanisme de retour d'erreur pour les erreurs de projection à chaque étape. Nous construisons des étapes d'échantillonnage ascendante et descendante mutuellement connectées, chacune représentant différents types de dégradation d'image et de composants à haute résolution. Nous montrons que l'extension de cette idée pour permettre la concaténation des caractéristiques entre les étapes d'échantillonnage ascendante et descendante (Dense DBPN) nous permet de reconstruire davantage l'amélioration de la sur-résolution, produisant des résultats supérieurs et établissant en particulier de nouveaux records pour des facteurs d'échelle importants tels que 8x sur plusieurs ensembles de données.