Nous présentons une méthode de sur-résolution d'image unique (SR) très précise. Notre méthode utilise un réseau neuronal convolutif très profond inspiré du VGG-net utilisé pour la classification ImageNet \cite{simonyan2015very}. Nous constatons que l'augmentation de la profondeur de notre réseau montre une amélioration significative en termes de précision. Notre modèle final utilise 20 couches de poids. En cascadeant des filtres petits plusieurs fois dans une structure de réseau profond, les informations contextuelles sur de grandes régions d'image sont exploitées de manière efficace. Cependant, avec des réseaux très profonds, la vitesse de convergence devient un problème critique lors de l'entraînement. Nous proposons une procédure d'entraînement simple mais efficace. Nous apprenons uniquement les résidus et utilisons des taux d'apprentissage extrêmement élevés (10 000 fois plus élevés que ceux utilisés par SRCNN \cite{dong2015image}), rendus possibles par un ajustement du clipping des gradients. Notre méthode proposée offre des performances supérieures aux méthodes existantes en termes de précision, et les améliorations visuelles dans nos résultats sont facilement perceptibles.