Les avancées récentes dans la super-résolution d’image unique (SISR) mettent en évidence le pouvoir du deep learning pour atteindre des performances améliorées. Étant donné que la reconstitution des données d’entraînement et la réentraînement du modèle pour la super-résolution d’images infrarouges (IR) sont coûteux, la disponibilité de très peu d’échantillons pour restaurer les images IR constitue un défi majeur dans le domaine du SISR. Pour relever ce défi, nous proposons tout d’abord le réseau génératif adversarial à super-résolution progressive (PSRGAN), comprenant un chemin principal et un chemin secondaire. Le bloc résiduel à convolution séparable (DWRB) est utilisé pour représenter les caractéristiques de l’image IR dans le chemin principal. Ensuite, le nouveau bloc résiduel léger à distillation superficielle (SLDRB) est employé pour extraire les caractéristiques de l’image visible facilement disponible dans l’autre chemin. En outre, inspirés par l’apprentissage par transfert, nous proposons une stratégie d’apprentissage par transfert multistage afin de combler l’écart entre différents espaces de caractéristiques à haute dimension, ce qui améliore la performance du PSRGAN. Enfin, des évaluations quantitatives et qualitatives menées sur deux jeux de données publics montrent que le PSRGAN permet d’obtenir de meilleurs résultats par rapport aux méthodes de super-résolution existantes.