Verfahren basierend auf Faltungsneuralen Netzen (CNN) haben bei der Einzelbild-Überauflösung (SISR) erheblichen Erfolg erzielt. Allerdings versuchen die meisten Modelle, die Rekonstruktionsgenauigkeit zu verbessern, wodurch jedoch der Bedarf an der Anzahl der Modellparameter steigt. Um dieses Problem anzugehen, untersuchen wir in diesem Artikel, die Anzahl der Parameter und die rechnerische Kosten von CNN-basierten SISR-Verfahren zu reduzieren, ohne die Genauigkeit der Überauflösungsrekonstruktion zu beeinträchtigen. Dazu stellen wir eine neuartige Netzarchitektur für SISR vor, die ein gutes Gleichgewicht zwischen Rekonstruktionsqualität und geringem rechnerischen Aufwand ermöglicht. Insbesondere schlagen wir eine iterative Rückprojektionsarchitektur vor, die Sub-Pixel-Faltung anstelle von Deconvolutionsschichten verwendet. Wir bewerten die Leistung unseres vorgeschlagenen Modells hinsichtlich Rechenkosten und Rekonstruktionsgenauigkeit durch umfassende quantitative und qualitative Analysen. Experimentelle Ergebnisse zeigen, dass unsere Methode weniger Parameter verwendet und die rechnerischen Kosten senkt, während sie die Rekonstruktionsgenauigkeit gegenüber aktuellen State-of-the-Art-SISR-Methoden auf vier etablierten SR-Benchmark-Datensätzen aufrechterhält. Der Quellcode ist unter „https://github.com/supratikbanerjee/SubPixel-BackProjection_SuperResolution“ verfügbar.