In den letzten Jahren wurden tiefen Lernmethoden erfolgreich auf Aufgaben der Super-Resolution von Einzelbildern angewendet. Trotz ihrer hervorragenden Leistungen können tiefen Lernmethoden aufgrund des hohen Rechenaufwands nicht leicht in realen Anwendungen eingesetzt werden. In dieser Arbeit adressieren wir dieses Problem durch den Vorschlag eines präzisen und leichten tiefen Netzes für die Bildsuperresolution. Im Detail entwickeln wir eine Architektur, die einen Kaskadenmechanismus auf einem Residualnetzwerk implementiert. Wir stellen auch verschiedene Modelle des vorgeschlagenen kaskadierten Residualnetzwerks vor, um die Effizienz weiter zu verbessern. Unsere umfangreichen Experimente zeigen, dass unsere Modelle trotz deutlich weniger Parametern und Operationen eine vergleichbare Leistung wie die der momentan besten Methoden erzielen.