Zvýšení rozlišení (super-resolution) je rekonstrukce detailního snímku z jeho verze o nižším rozlišení. Jde o klasicky špatně podmíněnou inverzní úlohu: k jednomu malému obrázku existuje nekonečně mnoho velkých, které by po zmenšení dopadly stejně, takže chybějící informaci nelze odvodit, pouze doplnit na základě naučené znalosti o tom, jak reálné obrazy vypadají. Tím se metoda zásadně liší od interpolace, jež jen dopočítává mezihodnoty a výsledek nutně rozostří. Naučené přístupy začaly konvoluční sítí SRCNN, pokračovaly reziduálními architekturami a zásadní skok v subjektivní kvalitě přinesl model SRGAN, který místo minimalizace pixelové odchylky použil adversariální a perceptuální ztrátu; ukázalo se totiž, že optimalizace střední kvadratické chyby vede k průměrování všech možných řešení, a tedy k hladkému, nepřirozenému výsledku. Nejnovější systémy staví na difuzních modelech. Zásadní je vědomí, že doplněné detaily jsou pravděpodobný odhad, nikoli skutečnost – model dokáže domyslet ostré rysy tváře či čitelnou registrační značku, které v datech nikdy nebyly, což činí metodu forenzně nepoužitelnou.
Představte si restaurátora, který má z rozmazané fotografie udělat ostrou. Nemůže rozmazání „odstranit“, protože informace tam prostě není. Co ale může, je použít zkušenost: ví, jak vypadají oči, cihlové zdi a písmena, a proto do rozmazaných míst domalovat velmi přesvědčivý detail. Výsledek vypadá skvěle a k vytištění na plakát je ideální. Jenže je nutné si přiznat, co se stalo – tu tvář si restaurátor částečně vymyslel. Proto se takový obrázek nikdy nesmí použít jako důkaz u soudu, i když je ostřejší než originál.