La Super Resolución de Imagen Única (SSIR) es un tema de investigación intrigante en visión por computadora donde el objetivo es crear imágenes de alta resolución a partir de imágenes de baja resolución utilizando técnicas innovadoras. SSIR tiene numerosas aplicaciones en campos como la imagen médica/satélite, identificación de objetivos remotos y vehículos autónomos. En comparación con enfoques tradicionales basados en interpolación, las técnicas de aprendizaje profundo han ganado atención recientemente en SISR debido a su rendimiento superior y eficiencia computacional. Este artículo propone un Modelo de Aprendizaje Profundo basado en Autoencoder para SSIR. La parte de muestreo descendente del Autoencoder utiliza principalmente convolución 3 por 3 y no tiene capas de submuestreo. La parte de muestreo ascendente utiliza convolución transpuesta y conexiones residuales de la parte de muestreo descendente. El modelo se entrena utilizando un subconjunto de la base de datos de ImageNet de VILRC, así como la base de datos de RealSR. Métricas cuantitativas como PSNR y SSIM se encuentran tan altas como 76.06 y 0.93 en nuestras pruebas. También usamos medidas cualitativas como calidad perceptual.