Dans cet article, nous proposons une architecture de réseau concise mais efficace, appelée réseau à connexion par saut basé sur une compression linéaire (LCSCNet), destinée à la super-résolution d’images. Contrairement à deux architectures représentatives utilisant des connexions par saut, à savoir ResNet et DenseNet, LCSCNet intègre une couche de compression linéaire dans ses connexions par saut, permettant de relier les cartes de caractéristiques antérieures tout en les distinguant des cartes de caractéristiques nouvellement explorées. Grâce à cette approche, le LCSCNet combine les avantages de la gestion différenciée des caractéristiques de DenseNet et de la structure économique en paramètres de ResNet. En outre, afin d’exploiter de manière plus efficace les informations hiérarchiques provenant à la fois des niveaux bas et élevés des champs réceptifs variés dans les modèles profonds, nous proposons également une stratégie d’agrégation adaptative élément par élément, inspirée des unités de porte des réseaux LSTM, accompagnée d’un apprentissage multi-supervisé. Les résultats expérimentaux, comparés aux algorithmes de pointe, confirment l’efficacité du LCSCNet.