In den letzten Jahren haben Einzelbild-Super-Resolution-(SISR)-Methoden, die tiefe Faltungsneuronale Netze (CNN) nutzen, beeindruckende Ergebnisse erzielt. Dank der leistungsstarken Repräsentationsfähigkeit tiefer Netzwerke können zahlreiche vorherige Ansätze die komplexen nichtlinearen Abbildungen zwischen Low-Resolution-(LR)-Bildpatchs und ihren High-Resolution-(HR)-Versionen lernen. Allerdings beschränken zu viele Faltungen die Anwendung der Super-Resolution-Technologie auf Geräte mit geringer Rechenleistung. Zudem stellt die Super-Resolution bei beliebigen Skalierungsfaktoren ein kritisches Problem in praktischen Anwendungen dar, das in früheren Ansätzen noch nicht ausreichend gelöst wurde. Um diese Herausforderungen zu bewältigen, schlagen wir ein leichtgewichtiges Informations-Multi-Distillation-Netzwerk (IMDN) vor, das auf kaskadierten Informations-Multi-Distillation-Blöcken (IMDB) basiert und Bestandteile aus Distillation und selektiver Fusion enthält. Konkret extrahiert das Distillationsmodul hierarchische Merkmale schrittweise, während das Fusionsmodul diese nach ihrer Relevanz aggregiert, wobei die Relevanz durch den vorgeschlagenen kontrastbewussten Kanal-Aufmerksamkeitsmechanismus bewertet wird. Um reale Bilder beliebiger Größe zu verarbeiten, entwickeln wir eine adaptive Cropping-Strategie (ACS), um blockweise Bildpatchs mit demselben gut trainierten Modell zu superauflösen. Umfangreiche Experimente zeigen, dass die vorgeschlagene Methode im Hinblick auf visuelle Qualität, Speicherbedarf und Inferenzzeit gegenüber den aktuellsten SR-Algorithmen vorteilhaft abschneidet. Der Quellcode ist unter \url{https://github.com/Zheng222/IMDN} verfügbar.