Les réseaux de neurones convolutifs profonds montrent des résultats impressionnants dans le domaine de la sur-résolution. Une série d'études se concentrent sur l'amélioration du rapport signal-bruit de pointe (PSNR) en utilisant des couches beaucoup plus profondes, ce qui n'est pas favorable aux ressources limitées. La recherche d'un compromis entre la capacité de restauration et la simplicité des modèles reste un défi non trivial. Les contributions récentes peinent à optimiser manuellement cet équilibre, tandis que notre travail atteint le même objectif automatiquement grâce à la recherche d'architecture neuronale. Plus précisément, nous abordons la sur-résolution avec une approche multi-objectif. Nous proposons également une stratégie de recherche élastique à la fois au niveau micro et macro, basée sur un contrôleur hybride qui tire profit du calcul évolutionniste et de l'apprentissage par renforcement. Des expériences quantitatives nous permettent de conclure que nos modèles générés surpassent la plupart des méthodes de pointe en termes de FLOPS individuels.