畳み込みニューラルネットワーク（CNNs）は、画像の超解像（SR）において一貫して最先端の結果を示しており、リモートセンシング分野で取得データからさらなる情報を抽出するための優れた機会を提供しています。しかし、これまでの多くの研究では単一画像超解像問題に焦点が当てられてきました。現在、衛星ベースのリモートセンシングプラットフォームは高時間分解能と低空間分解能を持つ大量のデータを提供しています。この文脈において、本研究では新たな残差注意モデル（RAMS）を提案します。このモデルは効率的に多画像超解像タスクに対処し、空間相関と時間相関を同時に活用して複数の画像を組み合わせます。我々は3次元畳み込みを使用した視覚特徴注意メカニズムを導入することで、複数の低解像度画像からの意識的なデータ融合と情報抽出を実現し、畳み込み操作の局所領域の制約を超えることを目指しています。さらに、同じシーンの複数入力を持つことで、当該表現学習ネットワークは巣状の残差接続を広範に利用し、冗長な低周波信号を流すことができ、計算資源をより重要な高周波成分に集中させることができます。多数の実験と評価を行い、単一画像または多画像超解像向けの他の既存ソリューションとの比較を行った結果、提案された深層学習に基づくソリューションはリモートセンシング応用における多画像超解像において最先端であることが確認されました。