Leichtgewichtige Super-Resolution-Netzwerke haben für praktische Anwendungen äußerste Bedeutung. In den letzten Jahren wurden mehrere SR-Tiefenlernverfahren mit herausragenden Ergebnissen eingeführt, die jedoch auf Kosten von Speicherplatz und Rechenaufwand erzielt wurden. Um dieses Problem zu überwinden, wird ein neuer leichtgewichtiger Super-Resolution-Netzwerk vorgeschlagen, das die State-of-the-Art-Leistung in leichtgewichtigen SR-Verfahren verbessert und sich in etwa vergleichbar mit rechenintensiven Netzwerken verhält. Das Multi-Path Residual Network (MPRN) ist so konzipiert, dass es eine Reihe von Residual-Konkatenationsblöcken enthält, die mit adaptiven Residualblöcken gestapelt sind: ($i$i) um informativere Merkmale adaptiv zu extrahieren und ausdrucksstärkere räumliche Kontextinformationen zu lernen; ($ii$ii) um vor der Aufsample-Phase besseren Nutzen aus mehrstufigen Darstellungen zu ziehen; und ($iii$iii) um einen effizienten Informations- und Gradientenfluss innerhalb des Netzwerks zu ermöglichen. Die vorgeschlagene Architektur enthält zudem ein neues Aufmerksamkeitsmechanismus, das Two-Fold Attention Modul, um die Darstellungsfähigkeit des Modells zu maximieren. Ausführliche Experimente zeigen die Überlegenheit unseres Modells gegenüber anderen State-of-the-Art-SR-Ansätzen.