En este documento, proponemos una red neuronal de superresolución de imagen única de extremo a extremo aprovechando las características híbridas de múltiples escalas de las imágenes. Diferente de la mayoría de las soluciones basadas en redes neuronales convolucionales (CNN) existentes, nuestra red propuesta depende de la observación de que las características de imagen extraídas por CNN contienen características híbridas de textura local de múltiples escalas y características estructurales globales. Al explotar de manera efectiva estas características locales-globales y de múltiples escalas, nuestra red involucra muchos menos parámetros, lo que conduce a una gran disminución en el uso de memoria y computación durante la inferencia. Nuestra red se beneficia de tres módulos clave: (1) un módulo de extracción de características eficiente y ligero (EFblock); (2) un módulo de mejora de características híbridas de múltiples escalas (HMblock); y (3) un módulo de reconstrucción-restauración (DRblock). Los experimentos en cinco benchmarks populares demuestran que nuestro enfoque de superresolución logra un mejor rendimiento con menos parámetros y menor consumo de memoria, en comparación con más de 20 SOTAs. En resumen, proponemos una nueva red neuronal de superresolución de múltiples escalas (HMSF), que es más ligera, tiene menos parámetros y requiere menos tiempo de ejecución, pero tiene un mejor rendimiento que los métodos de última generación. En comparación con los SOTAs, este método es más práctico y está mejor adaptado para funcionar en dispositivos limitados, como PCs y dispositivos móviles, sin necesidad de un servidor de alto rendimiento.