في الآونة الأخيرة، تم تطوير عدة طرق لتحسين دقة الصور تعتمد على التعلم العميق من خلال تراكيب طبقات عديدة. ومع ذلك، فإن هذا النهج يؤدي إلى حجم نماذج كبير وتعقيدات حسابية عالية، ولذلك تم اقتراح بعض الطرق التي تعتمد على مشاركة المعلمات بطريقة متكررة. ومع ذلك، فإن تصاميم هذه الطرق لا تستغل بشكل كافٍ إمكانات العملية المتكررة. في هذا البحث، نقترح طريقة جديدة خفيفة وفعالة لتحسين دقة الصور من خلال الاستفادة القصوى من بنية العمارة المتكررة، وذلك بتطبيق شبكة متكررة تعتمد على حالة الكتلة (block state-based recursive network). عن طريق الاستفادة من استخدام حالة الكتلة، يمكن للجزء المتكرر من نموذجنا تتبع حالة الخصائص الحالية للصورة بسهولة. نوضح فوائد الطريقة المقترحة فيما يتعلق بحجم النموذج، السرعة والكفاءة. بالإضافة إلى ذلك، نظهر أن طريقتنا تتفوق على الطرق الأخرى الرائدة في المجال.