Este documento propone un esquema robusto de superresolución de video de varios fotogramas para obtener un alto rendimiento de superresolución bajo grandes factores de ampliación. Aunque los fotogramas de baja resolución de referencia pueden proporcionar información complementaria para el fotograma de alta resolución, se requiere un regularizador efectivo para corregir la información no confiable de los fotogramas de referencia. Dado que la información de alta frecuencia está principalmente contenida en el campo de gradiente de la imagen, proponemos aprender la función de mapeo de gradiente entre la imagen de alta resolución (HR) y la imagen de baja resolución (LR) para regularizar la fusión de múltiples fotogramas. En contraste con las redes existentes en el dominio espacial, entrenamos una red profunda de mapeo de gradientes para aprender los gradientes horizontales y verticales. Descubrimos que agregar la información de baja frecuencia (principalmente de la imagen LR) a la red de aprendizaje de gradientes puede mejorar el rendimiento de la red. Se utiliza un prior de campo de movimiento hacia adelante y hacia atrás para regularizar la estimación del flujo de movimiento entre fotogramas. Para una reconstrucción robusta de superresolución, se propone un esquema de ponderación para excluir los datos atípicos. Las evaluaciones visuales y cuantitativas en conjuntos de datos de referencia demuestran que nuestro método es superior a muchos métodos de vanguardia y puede recuperar mejores detalles con menos artefactos.