Les caractéristiques informatives jouent un rôle crucial dans la tâche de super-résolution à partir d’une seule image. L’attention sur les canaux s’est avérée efficace pour préserver les caractéristiques riches en information au sein de chaque couche. Toutefois, l’attention sur les canaux traite chaque couche de convolution comme un processus indépendant, négligeant ainsi les corrélations entre les différentes couches. Pour résoudre ce problème, nous proposons un nouveau réseau d’attention holistique (HAN), composé d’un module d’attention sur les couches (LAM) et d’un module d’attention canal-espace (CSAM), afin de modéliser les dépendances holistiques entre couches, canaux et positions. Plus précisément, le LAM proposé met de manière adaptative l’accent sur les caractéristiques hiérarchiques en tenant compte des corrélations entre les couches. Parallèlement, le CSAM apprend le niveau de confiance à toutes les positions de chaque canal, permettant ainsi de capturer sélectivement des caractéristiques plus informatives. Des expériences étendues démontrent que le HAN proposé obtient des performances supérieures par rapport aux méthodes les plus avancées actuelles en super-résolution à partir d’une seule image.