Ces dernières années, les méthodes d'apprentissage profond ont été appliquées avec succès aux tâches de sur-résolution d'images uniques. Malgré leurs excellentes performances, ces méthodes ne peuvent pas être facilement mises en œuvre dans des applications réelles en raison de la nécessité de calculs lourds. Dans cet article, nous abordons cette question en proposant un réseau neuronal profond précis et léger pour la sur-résolution d'images. Plus précisément, nous concevons une architecture qui implémente un mécanisme en cascade au-dessus d'un réseau résiduel. Nous présentons également des modèles variants du réseau résiduel en cascade proposé afin d'améliorer davantage l'efficacité. Nos expériences approfondies montrent que même avec beaucoup moins de paramètres et d'opérations, nos modèles atteignent des performances comparables à celles des méthodes les plus avancées actuellement disponibles (state-of-the-art).