La superresolución de imágenes ha experimentado avances significativos con la aparición de la tecnología de aprendizaje profundo. Sin embargo, desplegar redes de superresolución altamente complejas en dispositivos con recursos limitados plantea un desafío debido a sus sustanciales requisitos computacionales. Este documento presenta el enfoque de Redes Paralelas de Convolución Dinámica y Mezcla Adaptativa (ADSCPN), un modelo de superresolución ligero y novedoso diseñado para lograr un equilibrio óptimo entre eficiencia computacional y calidad de reconstrucción de imágenes. El marco ADSCPN emplea convoluciones separables en profundidad en paralelo con núcleos grandes, convoluciones dinámicas y un mecanismo de atención mejorado para optimizar la extracción de características y mejorar la preservación de detalles. Evaluaciones extensas en conjuntos de datos de referencia estándar demuestran que ADSCPN logra un rendimiento de vanguardia al mismo tiempo que reduce significativamente la complejidad computacional, lo que lo hace adecuado para aplicaciones prácticas en dispositivos con recursos computacionales limitados.