近年、非常に深い畳み込みニューラルネットワーク（CNN）は、画像のスーパーレゾリューション（SR）において大きな成功を収めるとともに、階層的特徴の抽出も可能となった。しかし、多くの深層CNNを用いたSRモデルは、元の低解像度（LR）画像から得られる階層的特徴を十分に活用できていないため、相対的に低い性能にとどまっている。本論文では、この問題に対処するため、新しい残差密接ネットワーク（RDN）を提案する。本手法は、すべての畳み込み層から得られる階層的特徴を効果的に活用する。具体的には、密接接続された畳み込み層を用いて豊富な局所特徴を抽出する「残差密接ブロック（RDB）」を提案する。さらに、直前のRDBの状態から現在のRDBのすべての層への直接接続を可能とすることで、連続的メモリ（CM）機構を実現する。RDB内での局所特徴の融合により、過去の局所特徴と現在の局所特徴からより効果的な特徴を適応的に学習し、広いネットワークの学習を安定化させる。局所特徴を密に獲得した後、グローバル特徴融合を用いて、全体的に統合的かつ適応的にグローバルな階層的特徴を共同で学習する。さまざまな劣化モデルを用いたベンチマークデータセットに対する広範な実験の結果、本手法は最先端の手法と比較しても優れた性能を達成した。