単一画像の超解像は非常に重要なコンピュータビジョンのタスクであり、幅広い応用範囲を持っています。近年、超解像モデルの深さは増加し続けていますが、性能のわずかな向上に伴って、計算量とメモリ消費が大幅に増加しています。本研究では、超解像モデルをより効果的にするため、再帰的なスケープ・アンド・エキテーションネットワーク（SESR）を用いた新しい単一画像超解像手法を提案しました。スケープ・アンド・エキテーションモジュールを導入することで、当手法はチャンネル間の依存関係と関連性をモデル化し、モデルの効率性を高めています。さらに、当モデルにおける再帰構造と段階的な再構築方法により、層数とパラメータ数が最小限に抑えられ、SESRは単一のモデルで複数スケールの超解像を同時に学習することが可能になりました。4つのベンチマークテストセットでの評価結果から、当モデルは速度と精度において最先端手法を超えることが証明されました。