Les méthodes basées sur les réseaux de neurones convolutifs (CNN) ont remporté un grand succès dans le domaine de la super-résolution d’image unique (SISR). Toutefois, la plupart des modèles cherchent à améliorer la précision de reconstruction au détriment de l’augmentation du nombre de paramètres du modèle. Pour résoudre ce problème, cette étude se concentre sur la réduction du nombre de paramètres et du coût computationnel des méthodes SISR basées sur les CNN, tout en préservant la qualité de reconstruction. À cette fin, nous proposons une nouvelle architecture de réseau pour la SISR, offrant un bon compromis entre la qualité de reconstruction et une faible complexité computationnelle. Plus précisément, nous introduisons une architecture itérative de rétro-projection utilisant une convolution sous-pixel à la place des couches de déconvolution. Nous évaluons de manière exhaustive les performances en termes de complexité computationnelle et de précision de reconstruction pour notre modèle proposé, à l’aide d’évaluations quantitatives et qualitatives approfondies. Les résultats expérimentaux montrent que notre méthode utilise moins de paramètres et réduit significativement le coût computationnel, tout en maintenant une précision de reconstruction compétitive par rapport aux méthodes de pointe sur quatre jeux de données de référence bien établis pour la super-résolution. Le code source est disponible à l’adresse suivante : « https://github.com/supratikbanerjee/SubPixel-BackProjection_SuperResolution ».