Récemment, plusieurs méthodes d'amélioration de la résolution d'images basées sur l'apprentissage profond ont été développées en empilant un grand nombre de couches. Cependant, cela entraîne des tailles de modèles trop importantes et une complexité computationnelle élevée, ce qui a conduit à la proposition de certaines méthodes de partage de paramètres récursifs. Néanmoins, leurs conceptions ne profitent pas pleinement du potentiel de l'opération récursive. Dans cet article, nous proposons une nouvelle méthode d'amélioration de la résolution légère et efficace visant à maximiser l'utilité de l'architecture récursive grâce à l'introduction d'un réseau neuronal récursif basé sur l'état des blocs (block state-based recursive network). En exploitant l'utilisation de l'état des blocs, la partie récursive de notre modèle peut facilement suivre l'état des caractéristiques d'image actuelles. Nous démontrons les avantages de notre méthode en termes de taille du modèle, de vitesse et d'efficacité. De plus, nous montrons que notre méthode surpasses les autres méthodes d'avant-garde.