El rápido crecimiento de los datos de sensores exige el uso de la compresión en el sensado (CS) para lograr un almacenamiento de alta densidad y una transmisión rápida de datos. Las redes neuronales profundas (DNNs) han estado en un desarrollo intensivo para la reconstrucción de imágenes de alta calidad a partir de datos comprimidos. Sin embargo, las complicadas estructuras auxiliares de los modelos DNN en busca de un mejor rendimiento de recuperación conducen a una baja eficiencia computacional y largos tiempos de reconstrucción. Además, es difícil para los diseños convencionales de redes neuronales reconstruir información de frecuencias extra altas a una tasa de muestreo muy baja. En este trabajo, proponemos una red neuronal iterativa eficiente para la reconstrucción de CS (EiCSNet). Se diseña un módulo eficiente de extracción de gradientes para reemplazar las estructuras auxiliares complejas con el fin de entrenar las DNN de manera más eficiente. Se aplica una red de mejora iterativa para aprovechar al máximo la información limitada disponible en CS para una mejor recuperación iterativa. Además, se propone una pérdida ponderada consciente de la frecuencia para una mejor calidad de restauración de imágenes. Nuestro modelo compacto propuesto, EiCSNet2*1, mejoró ligeramente el rendimiento y fue casi siete veces más rápido que sus contrapartes, lo que muestra que tiene un diseño de red altamente eficiente. Además, nuestro modelo completo, EiCSNet6*1, logró el mejor efecto en esta etapa, donde el PSNR promedio se mejoró en 0.37 dB para todos los conjuntos de pruebas y tasas de muestreo.