El aprendizaje profundo ha sido introducido en la superresolución de imágenes individuales (SISR) en la última década. Estas técnicas han tomado el control de los puntos de referencia de las tareas de SISR. Sin embargo, la mayoría de los diseños arquitectónicos requieren recursos computacionales sustanciales, lo que conlleva un tiempo de inferencia prolongado en sistemas integrados o los hace inviables para su implementación. Este documento presenta una encuesta exhaustiva de soluciones plausibles y métodos de optimización para abordar este problema. Luego, proponemos un proceso que agrega estos últimos con el fin de mejorar el tiempo de inferencia sin comprometer significativamente la calidad perceptual. Investigamos la efectividad del método propuesto en un modelo orientado a la percepción basado en una Red Generativa Adversaria (GAN) ligera como estudio de caso. Los resultados experimentales muestran que nuestro método propuesto conduce a una mejora significativa en el tiempo de inferencia tanto en Desktop como en Jetson Xavier NX, especialmente para tamaños de entrada de mayor resolución en este último, lo que lo hace desplegable en la práctica.