Les travaux récents basés sur des fonctions neurales implicites ont permis de mieux comprendre la représentation d’images à résolution arbitraire. Toutefois, un perceptron multicouche indépendant se révèle limité dans l’apprentissage des composantes à haute fréquence. Dans cet article, nous proposons un estimateur de texture locale (LTE), un estimateur de fréquence dominante pour les images naturelles, permettant à une fonction implicite de capturer des détails fins tout en reconstruisant les images de manière continue. Lorsqu’il est entraîné conjointement avec une architecture profonde de super-résolution (SR), LTE est capable de caractériser les textures d’image dans l’espace de Fourier 2D. Nous montrons qu’une fonction neuronale basée sur LTE atteint des performances avantageuses par rapport aux méthodes existantes de super-résolution profonde, quel que soit le facteur d’échelle arbitraire. En outre, nous démontrons que notre implémentation présente le temps d’exécution le plus court par rapport aux approches antérieures.