单图像超分辨率（Single Image Super-Resolution, SISR）是低层计算机视觉中的关键任务，旨在从低分辨率图像中重建出高质量的高分辨率图像。传统的注意力机制虽显著提升了SISR的性能，但通常导致网络结构复杂、参数量庞大，进而造成推理速度缓慢和模型体积过大。为解决这一问题，我们提出了一种高效轻量的SISR模型——无参数快速注意力网络（Swift Parameter-free Attention Network, SPAN），该模型在参数量、推理速度与图像质量之间实现了良好平衡。SPAN引入了一种新颖的无参数注意力机制，通过利用对称激活函数与残差连接，有效增强高贡献特征信息，同时抑制冗余信息。我们的理论分析表明，该设计能够高效实现注意力机制的核心目标。在多个基准数据集上的实验结果表明，SPAN在图像质量与推理速度两方面均优于现有高效超分辨率模型，实现了显著的性能-速度权衡。这一特性使其特别适用于资源受限的实际应用场景。值得一提的是，在NTIRE 2024高效超分辨率挑战赛中，我们在整体性能赛道与运行时效率赛道均获得第一名。相关代码与模型已公开发布于：https://github.com/hongyuanyu/SPAN。