We tested super-resolution pre-filter for LPR OCR. It did nothing
Une expérimentation sur 2 000 crops de plaques (<100 px) a comparé l'absence de SR, un modèle SR maison de 42k paramètres et un Real-ESRGAN préentraîné de 1,21M et a montré des résultats identiques : 0 % de correspondance exacte et 0,4 % de précision par caractère. Les modèles de super-résolution ont principalement halluciné des caractères plausibles mais incorrects, car l'information utile n'existe pas dans les images très basse résolution, et ces hallucinations ont contaminé le processus de vote. La haute précision système observée (98,6 %) provient du vote multi-crop et d'un entraînement OCR incluant des augmentations multi-échelle, ce qui permet au modèle de lire directement des crops basse résolution sans recourir au SR. Le SR peut être pertinent dans des cas restreints, par exemple pour prétraiter l'entrée d'un produit OCR commercial non re‑entraînable ou pour des scénarios autoroutiers où les crops restent durablement en dessous de ~60 px. La recommandation pratique est de mesurer la distribution des tailles de crops et d'investir dans des données et entraînements adaptés, le vote inter-images et l'optimisation de la capture plutôt que de déployer des modèles SR coûteux et sujets à hallucinations.