现有的基于卷积神经的SR重建算法可以获得令人满意的视觉效果，但仍然存在伪影和模糊的问题，并且这种现象对于放大倍数较大的（例如4× SR，8× SR）的重建任务来说更加严重。具体来说，随着放大倍数的增加，高频信息更容易丢失，重建误差呈几何级数增加。本文提出了一种新颖的基于高低频差分卷积的图像SR重建网络（High-Low Frequency Differentiation Dynamic Laplacian Pyramid Network, HLDDLap），它由多个高低频差分残差通道注意块（High-Low Frequency Differentiation Residual Channel Attention Blocks, HL-RCAB）来特征提取以及动态反卷积（Dynamic Deconvolution, DDC）来进行上采样操作，分别解决上述问题。首先，为了从图像中提取高频和低频信息，本文提出了一种高低频率差分卷积（High-Low Frequency Differentiation Convolution, HLC），它由一种可学习的高频差分卷积（High Frequency Differentiation, HC）和低频差分卷积（Low Frequency Differentiation Convolution, LC）共同组成，能够动态学习高频和低频的非线性映射，并被封装在HL-RCAB中。其次，DDC在反卷积的基础上引入了路由权重（Rooting Weights）和和额外专家核（Experts），即通过挖掘输入图像的特征，为每个专家分配路由权重，以提高专家的适应度，减少重构误差。大量的 4× SR和 8× SR 实验结果表明，所提出的方法可以重建更多的边缘细节以满足视觉效果，并且在评价指标上优于最先进的方法。