La super-résolution d’images (SR) attire un intérêt croissant en raison de ses nombreuses applications. Toutefois, les méthodes actuelles de SR souffrent généralement d’un lissage excessif et de artefacts, et la plupart ne fonctionnent qu’avec des facteurs de grossissement fixes. Ce papier présente un Modèle de Diffusion Implicite (IDM) pour une super-résolution d’images continue à haute fidélité. L’IDM intègre une représentation neuronale implicite et un modèle de diffusion débruitant dans un cadre unifié et end-to-end, où la représentation neuronale implicite est utilisée lors du décodage afin d’apprendre une représentation continue en résolution. En outre, nous proposons un mécanisme de conditionnement contrôlable à l’échelle, composé d’un réseau de conditionnement à faible résolution (LR) et d’un facteur d’échelle. Ce dernier régule la résolution et module ainsi proportionnellement l’information provenant de l’image à faible résolution et les caractéristiques générées dans la sortie finale, permettant ainsi au modèle de s’adapter à des exigences de résolution continue. Des expériences étendues valident l’efficacité de notre IDM et démontrent ses performances supérieures par rapport aux approches antérieures.