Les réseaux neuronaux convolutifs de super-résolution ont récemment démontré une restauration de haute qualité pour les images uniques. Cependant, les algorithmes existants nécessitent souvent des architectures très profondes et des temps d'entraînement longs. De plus, les réseaux neuronaux convolutifs actuels pour la super-résolution ne sont pas en mesure d'exploiter les caractéristiques à plusieurs échelles et de leur attribuer une importance égale, ce qui limite leurs capacités d'apprentissage. Dans cette présentation, nous introduisons un algorithme de super-résolution compact et précis, nommé Réseau Laplacien à Résidus Denses (DRLN). Le réseau proposé utilise une structure résiduelle en cascade pour permettre le flux d'informations à basse fréquence se concentrer sur l'apprentissage des caractéristiques de haut et moyen niveau. De plus, la supervision profonde est réalisée grâce aux blocs résiduels concaténés dense, ce qui aide également à l'apprentissage à partir de caractéristiques complexes de haut niveau. Nous proposons également une attention laplacienne pour modéliser les caractéristiques cruciales et apprendre les dépendances inter et intra-niveaux entre les cartes de caractéristiques. Enfin, des évaluations quantitatives et qualitatives exhaustives sur des ensembles de données de référence comprenant des images à faible résolution, des images bruitées à faible résolution et des images historiques réelles montrent que notre algorithme DRLN performe favorablement par rapport aux méthodes de pointe tant visuellement qu'avec précision.