情報を含む特徴量は、単一画像の超解像（Single Image Super-Resolution）タスクにおいて重要な役割を果たす。チャネルアテンションは、各層における情報量の多い特徴量を保持する上で有効であることが実証されている。しかし、チャネルアテンションは各畳み込み層を独立したプロセスとして扱うため、異なる層間の相関関係を捉えられないという課題がある。この問題に対処するため、本研究では、層間、チャネル間、空間的位置間の包括的な相関関係をモデル化するための新しい包括的アテンションネットワーク（Holistic Attention Network: HAN）を提案する。本HANは、層アテンションモジュール（Layer Attention Module: LAM）とチャネル・空間アテンションモジュール（Channel-Spatial Attention Module: CSAM）から構成される。具体的には、LAMは層間の相関関係を考慮することで、階層的な特徴量を適応的に強調する。一方、CSAMは各チャネルのすべての位置における信頼度を学習し、より情報量の多い特徴量を選択的に捉える。広範な実験により、提案手法のHANが最先端の単一画像超解像手法と比較しても優れた性能を発揮することが確認された。