本文提出了一种新颖的SR方法DenseNet，用稠密块串联起各层的特征，使得整个网络减轻了梯度消失问题、加强了特征传播、减少了参数数量，并达到了很好的超分辨效果。
许多SR方法都是假设图像中的高频信息是过剩的，因此只需要通过低频信息就能够准确预测出SR图像。因此，从LR图像中收集大区域中的邻近信息用于恢复HR图像中的图像细节非常重要。而DenseNet经过实验发现，将网络中low-level和high-level的信息结合起来用于重建HR图像效果很好，这说明在实现超分辨的过程中，各级的特征映射中有互补的信息存在，即low-level和high-level的信息对于重建图像的细节都有重要的贡献。
DenseNet主要有四个部分：卷积层、稠密块、反卷积层和重建层。
①convolutional layer：学习low-level的特征；
②dense blocks：学习high-level的特征；
③deconvolutional layers：学习上采样滤波器，将图像放大；
④reconstruction layer：产生HR输出图像；
⑤bottleneck layer：减少输入的特征映射数，使得模型更加紧凑并提高计算效率。
DenseNet使用的三项主要技术来提高SR效果：
①使用稠密块来避免梯度消失问题，使得训练深度网络变得可行；
②使用跳过连接的方法将low-level和high-level特征融合在一起；
③使用连续的反卷积层能够提高重建效果，避免了使用双三次插值等方法来实现倍数放大。
DenseNet通过三种方式来提高运行速度：
①使用1*1的卷积层能够很大程度减少网络的参数；
②使用反卷积层来降低计算复杂度；
③在稠密块中使用16的小增长率，意味着每层卷积层只需要16个新的特征映射，尽管增长率很小，但是由于各级特征的融合，参数的数量也是很大的。这使得重新使用和提供丰富的信息用于图像重建成为可能。