Con el avance del aprendizaje profundo, el rendimiento de la superresolución de imagen única (SR) ha mejorado notablemente gracias a los métodos basados en redes neuronales convolucionales (CNN). Sin embargo, el aumento de la profundidad de las CNN las hace más difíciles de entrenar, lo que dificulta que las redes SR logren un mayor éxito. Para superar esto, recientemente se han introducido una amplia gama de mecanismos relacionados en las redes SR, con el objetivo de ayudarlas a converger más rápidamente y rendir mejor. Esto ha dado lugar a muchos documentos de investigación que incorporan una variedad de mecanismos de atención en la línea base de SR mencionada desde diferentes perspectivas. Por lo tanto, esta encuesta se centra en este tema y proporciona una revisión de estos trabajos recientemente publicados agrupándolos en tres categorías principales: atención de canal, atención espacial y atención no local. Para cada uno de los grupos en la taxonomía, se explican primero los conceptos básicos, y luego profundizamos en las ideas y contribuciones detalladas. Finalmente, concluimos esta revisión destacando los cuellos de botella de los mecanismos de atención SR actuales, y proponemos una nueva perspectiva que puede considerarse como una forma potencial de lograr un avance.