La superresolución de cero disparos (ZSSR) ha generado mucho interés debido a su flexibilidad en varias aplicaciones. Sin embargo, las demandas computacionales de ZSSR lo hacen ineficaz al tratar conjuntos de imágenes de baja resolución a gran escala. Para abordar este problema, proponemos un modelo de meta-aprendizaje novedoso. Tratamos el conjunto de imágenes de baja resolución como una colección de tareas de ZSSR y aprendemos metaconocimiento sobre ZSSR aprovechando estas tareas. Este enfoque reduce la carga computacional de la superresolución para imágenes de baja resolución a gran escala. Además, a través del aprendizaje de múltiples tareas de ZSSR, descubrimos un modelo general de superresolución que mejora la capacidad de generalización de ZSSR. Finalmente, utilizando el metaconocimiento aprendido, nuestro modelo logra resultados impresionantes con solo unas pocas actualizaciones de gradiente al recibir una tarea nueva. Evaluamos nuestro método utilizando dos conjuntos de datos de teledetección con diferentes resoluciones espaciales. Nuestros resultados experimentales demuestran que el uso de múltiples tareas de ZSSR produce mejores resultados que una sola tarea, y nuestro método supera a otros métodos de superresolución de última generación.