私たちは単一画像の超解像（Super-Resolution: SR）のために深層学習手法を提案します。本手法は、低解像度画像と高解像度画像間のエンドツーエンドのマッピングを直接学習します。このマッピングは、入力として低解像度画像を受け取り、出力として高解像度画像を生成する深層畳み込みニューラルネットワーク（Deep Convolutional Neural Network: CNN）として表現されます。さらに、伝統的なスパースコーディングに基づくSR手法も深層畳み込みネットワークとして捉えることができることを示します。しかし、伝統的な手法が各コンポーネントを個別に処理するのに対し、私たちの手法はすべてのレイヤーを共同で最適化します。私たちの深層CNNは軽量な構造でありながら、最先端の復元品質を示し、実用的なオンライン利用において高速性も達成しています。異なるネットワーク構造やパラメータ設定を探索し、性能と速度のバランスを取ることを目指しています。また、ネットワークを拡張して3つの色チャネルを同時に処理し、全体的な再構築品質が向上することも示しています。