Les réseaux de sur-résolution légers sont d'une importance extrême pour les applications pratiques. Au cours des dernières années, plusieurs approches de sur-résolution basées sur l'apprentissage profond et ayant obtenu des résultats exceptionnels ont été introduites, au prix d'un sacrifice en termes de coût mémoire et de calcul. Pour surmonter ce problème, une nouvelle architecture de réseau de sur-résolution légère est proposée, qui améliore les performances de l'état de l'art (SOTA) dans le domaine des réseaux légers de sur-résolution et dont les performances sont comparables à celles des réseaux plus coûteux en calcul. Le réseau Multi-Path Residual Network est conçu avec un ensemble de blocs de concaténation résiduelle empilés avec des blocs résiduels adaptatifs : ($i$i) pour extraire de manière adaptative des caractéristiques informatives et apprendre des informations spatiales plus expressives ; ($ii$ii) pour exploiter au mieux les représentations multiniveau avant la phase d'upsampling ; et ($iii$iii) pour permettre un flux efficace d'informations et de gradients au sein du réseau. L'architecture proposée intègre également un nouveau mécanisme d'attention, le module d'attention double (Two-Fold Attention Module), afin d'optimiser la capacité représentative du modèle. De nombreuses expériences montrent la supériorité de notre modèle par rapport aux autres approches SOTA en sur-résolution.