Lograr un equilibrio entre eficiencia y rendimiento es un problema clave para los algoritmos de superresolución de imagen única (SISR) basados en redes neuronales convolucionales (CNN). Los métodos existentes tienden a producir directamente píxeles de alta resolución (HR) o residuos para reconstruir la imagen HR y se enfocan mucho en diseñar backbones de CNN potentes. Sin embargo, esta forma de reconstrucción requiere que el backbone de CNN tenga una buena capacidad para ajustar la función de mapeo de píxeles LR a píxeles HR, lo que ciertamente ha limitado a estos métodos para lograr una eficiencia extrema y trabajar en entornos integrados. En este trabajo, proponemos una nueva arquitectura de aprendizaje de distribución para estimar la distribución local y reconstruir píxeles HR muestreando la distribución local con las coordenadas 2D correspondientes. También mejoramos la estructura del backbone para respaldar mejor la arquitectura propuesta de aprendizaje de distribución. Los resultados experimentales demuestran que el método propuesto logra un rendimiento de vanguardia para SISR extremadamente eficiente y muestra un buen equilibrio entre eficiencia y rendimiento.