Einzelbild-Super-Resolution (SISR) ist eine zentrale Aufgabe im Bereich der niedrigen Ebene des Computersehens und zielt darauf ab, hochauflösende Bilder aus ihren niederauflösenden Entsprechungen wiederherzustellen. Konventionelle Aufmerksamkeitsmechanismen haben die Leistung von SISR erheblich verbessert, führen jedoch oft zu komplexen Netzwerkarchitekturen und einer großen Anzahl an Parametern, was zu langsamer Inferenzgeschwindigkeit und großem Modellumfang führt. Um dieses Problem anzugehen, schlagen wir den Swift Parameter-free Attention Network (SPAN) vor – ein hoch-effizientes SISR-Modell, das die Anzahl der Parameter, die Inferenzgeschwindigkeit und die Bildqualität gut ausbalanciert. SPAN verwendet einen neuartigen parameterfreien Aufmerksamkeitsmechanismus, der symmetrische Aktivierungsfunktionen und Residual-Verbindungen nutzt, um Informationen mit hoher Relevanz zu verstärken und redundante Informationen zu unterdrücken. Unsere theoretische Analyse belegt die Wirksamkeit dieses Entwurfs hinsichtlich der Erreichung des Ziels des Aufmerksamkeitsmechanismus. Wir evaluieren SPAN an mehreren Benchmark-Datensätzen und zeigen, dass es bestehende effiziente Super-Resolution-Modelle sowohl hinsichtlich der Bildqualität als auch der Inferenzgeschwindigkeit übertrifft und eine signifikante Qualitäts-Geschwindigkeits-Trade-off-Beziehung erreicht. Dadurch ist SPAN besonders gut für reale Anwendungen geeignet, insbesondere in ressourcenbeschränkten Szenarien. Insbesondere errangen wir den ersten Platz sowohl in der Gesamtleistungs- als auch in der Laufzeit-Kategorie des NTIRE 2024 Efficient Super-Resolution Challenge. Unsere Code-Implementierung und Modelle sind öffentlich unter https://github.com/hongyuanyu/SPAN verfügbar.