本文認為已有的SR方法存在着三個主要的問題：
①采用預定義的上采樣操作（例如雙三次插值）會產生不必要的計算代價，並且結果可能會有重建偽影。而使用反卷積層這樣的操作來替換預定義的上采樣操作，網絡結構又比較簡單，性能較差，不能很好地學習復雜的映射；
②使用l2型損失函數時，不可避免地會產生模糊的預測，恢復出的高分辨圖片往往會過於平滑；
③大部分的方法都只有一次上采樣的步驟，這就會使得對於更高倍數因子的訓練變得困難。
為了解決上述問題，本文提出了LapSRN，網絡以LR圖片作為輸入，以低分辨到高分辨的方式來預測子帶殘差。在網絡的每一層，一系列的卷積層被用來提取特征映射。此后，一個反卷積層用來將特征映射上采樣，然后傳遞到最后一層。最后用一個卷積層來預測子帶殘差（sub-band residual，指各層上采樣的結果與ground-truth的差別）。網絡結構如圖所示：
在訓練時，采用的是l1型的損失函數Charbonnier，並且在每一級網絡進行一次計算，最終將每一級的損失函數和進行優化。
與之前講過的VDSR類似的，LapSRN也采用了很深的網絡結構，且也采用了殘差學習的方式，但是從結構上來看，很明顯LapSRN采用的多級結構在每一級都進行反卷積和殘差學習，而VDSR是經過插值上采樣后進行殘差學習。而與同樣采用了反卷積層進行上采樣的FSRCNN相比，LapSRN在每一層都采用一個反卷積層，不僅能夠達到放大圖像的作用，還能夠獲取中間倍數的放大結果（例如需求輸出8x的圖像，可以獲得4x和2x的圖像）。
總的來說，由於在LapSRN中逐步進行上采樣並逐級預測殘差，在訓練獲取更大倍數因子的圖像過程中能夠獲取中間的上采樣圖像。另外，由於圖像的大小是逐級進行放大的，因此運行速度也提高了。通過監測每一級的輸出，LapSRN的表現也超過了其他大部分的SR方法。