Kürzlich wurden mehrere bildbasierte Super-Resolution-Methoden mit tiefem Lernen entwickelt, indem eine große Anzahl von Schichten gestapelt wurden. Dies führt jedoch zu sehr großen Modellgrößen und hohen Rechenkomplexitäten, weshalb auch einige rekursive Parameter-Teilungsverfahren vorgeschlagen wurden. Dennoch nutzen diese Verfahren das Potenzial der rekursiven Operation nicht ausreichend. In dieser Arbeit schlagen wir eine neuartige, leichte und effiziente Super-Resolution-Methode vor, die das Nutzen des rekursiven Aufbaus maximiert, indem wir ein blockbasiertes rekursives Netzwerk einführen. Durch die Nutzung des Blockzustands kann der rekursive Teil unseres Modells den Status der aktuellen Bildmerkmale leicht verfolgen. Wir demonstrieren die Vorteile der vorgeschlagenen Methode hinsichtlich Modellgröße, Geschwindigkeit und Effizienz. Darüber hinaus zeigen wir, dass unsere Methode den anderen Stand der Technik übertreffen kann.