لقد حققت الطرق القائمة على الشبكات العصبية التلافيفية (CNN) نجاحًا كبيرًا في تحسين دقة الصورة الفردية (SISR). ومع ذلك، تسعى معظم النماذج إلى تحسين دقة إعادة البناء على حساب زيادة عدد معاملات النموذج. ولحل هذه المشكلة، ندرس في هذه الورقة تقليل عدد المعاملات والتكلفة الحسابية للنماذج القائمة على CNN في مهام تحسين دقة الصورة الفردية مع الحفاظ على دقة أداء إعادة البناء. ولتحقيق ذلك، نقدم معمارية شبكة جديدة لـ SISR، تحقق توازنًا جيدًا بين جودة إعادة البناء والتعقيد الحسابي المنخفض. وبشكل خاص، نقترح بنية تكرارية للإرجاع العكسي (iterative back-projection) تستخدم التحويلات الفرعية للبكسل (sub-pixel convolution) بدلًا من طبقات التفكيك (deconvolution). وقمنا بتقييم أداء النموذج المقترح من حيث الكفاءة الحسابية والدقة في إعادة البناء من خلال تقييمات كمية ونوعية واسعة النطاق. وأظهرت النتائج التجريبية أن الطريقة المقترحة تستخدم عددًا أقل من المعاملات وتقلل من التكلفة الحسابية مع الحفاظ على دقة إعادة البناء مقارنةً بالأساليب الرائدة في مجال SISR على أربع مجموعات معايير شهيرة لتحسين الدقة. يمكن الوصول إلى الكود من خلال الرابط: https://github.com/supratikbanerjee/SubPixel-BackProjection_SuperResolution