Le développement rapide de l'apprentissage profond (DL) a propulsé la super-résolution d'images à partir d'une seule image (SR) dans une nouvelle ère. Cependant, dans la plupart des réseaux de SR basés sur le DL existants, les flux d'information sont uniquement feedforward, et les caractéristiques de haut niveau ne peuvent pas être pleinement exploitées. Dans cet article, nous proposons le réseau à multiples retours contrôlés par des portes (GMFN) pour une super-résolution d'images précise, où la représentation des caractéristiques de bas niveau est efficacement enrichie par le redirigement de multiples caractéristiques de haut niveau. Nous cascadons plusieurs blocs résiduels denses (RDBs) et les déroulons récurrentement au fil du temps. Les connexions à multiples retours entre deux étapes temporelles adjacentes dans le GMFN proposé exploitent les multiples caractéristiques de haut niveau capturées sous des champs récepteurs larges pour affiner les caractéristiques de bas niveau qui manquent d'informations contextuelles suffisantes. Le module de retour contrôlé par des portes (GFM), soigneusement conçu, sélectionne efficacement et améliore davantage les informations utiles provenant de multiples caractéristiques de haut niveau redirigées, puis affine les caractéristiques de bas niveau avec ces informations de haut niveau améliorées. De nombreuses expériences montrent la supériorité de notre GMFN proposé par rapport aux méthodes SR les plus avancées en termes de métriques quantitatives et de qualité visuelle. Le code est disponible à l'adresse https://github.com/liqilei/GMFN.