Super-résolution pour plaques d'immatriculation : zéro résultat
Pourquoi ça compte pour toi
Si tu construis un système de reconnaissance de plaques ou tu travailles sur un projet OCR, tu as probablement entendu parler de la super-résolution comme solution miracle. Cet article décortique pourquoi c'est faux — et comment tu gaspilles du temps et des ressources sur une fausse bonne idée. Les résultats sont brutaux et reproductibles.
Ce qu'il faut retenir
- 1.Sur 2 000 recadrages testés (plaques < 100px), 0% d'exactitude avec ou sans SR. Le modèle du commerce (ESRGAN 1,21M paramètres) : 0% aussi.
- 2.La SR n'améliore rien car elle hallucine des caractères plausibles mais faux, ce qui pollue le pipeline de vote.
- 3.Les systèmes qui marchent utilisent le vote multi-recadrage : 15-20 captures par véhicule, les grands recadrages lisibles écrasent les petits (bruités).
- 4.Si tu peux réentraîner ton OCR sur des basses résolutions, tu n'as pas besoin de SR. Sinon, améliore ta capture plutôt que la super-résolution.
Tu galères avec le jargon ?
Lis la version réécrite en mode débutant — toutes les idées, sans le jargon.
Le pitch de la super-résolution
Depuis 5 ans, c'est partout : agrandir une capture floue de 50px en image nette de 200px, la passer à ton OCR, et gagner en précision. ICPR 2026 a même dédié une compétition entière au sujet. Les articles montrent des avant/après spectaculaires.
Wink (qui fait du LPR en production) a testé ça sérieusement.
Le dispositif : données réelles, pas du benchmark
Jeu de données : 18 000+ plaques étiquetées = 180 000+ recadrages individuels. 5 000 recadrages < 100px de largeur avec version originale ET version agrandie (super-résolution) pour un test A/B franc.
Trois pipelines comparés sur 2 000 recadrages :
- ▸Sans SR : recadrage → OCR direct (~5ms)
- ▸SR personnalisée : 42K paramètres (SRVGGNetCompact), entraînée sur leurs plaques avec perte L1 + confiance OCR (~8,9ms)
- ▸ESRGAN : 1,21M paramètres, modèle open source Tencent ARC, entraîné sur des millions d'images (~126ms)
Même OCR (CTC-CRNN, 98,6% en référence). Mêmes recadrages. Mêmes étiquettes.
Les résultats : brutal
| Pipeline | Correspondance exacte | Précision caractères |
|---|---|---|
| Original | 0,0% | 0,4% |
| SR personnalisée 42K | 0,0% | 0,4% |
| ESRGAN 1,21M | 0,0% | 0,4% |
Résultat identique. Un modèle 30× plus gros ne change rien.
Par tranche de recadrage :
- ▸< 40px : 0% correspondance exacte, 0% précision caractères (3 pipelines)
- ▸40–60px : 0% exact, 0,1–0,3% caractères (différence infime, bruit)
- ▸60–80px : 0% exact, 0,2–0,3% caractères
- ▸80–100px : 0% exact, 0,5–0,6% caractères
Pourquoi ça échoue
Une plaque réelle à 59px : AAI564
Recadrage original produit : (vide)
Recadrage SR (42K) produit : 883 (vide aussi)
Recadrage SR (ESRGAN) produit : (vide)
Autre exemple :
Plaque réelle : ACF083 (93px)
Original : 9BE72
SR personnalisée : 9BE72
ESRGAN : 9BE73
La SR n'améliore pas, elle hallucine. Des caractères qui semblent réels mais sont faux. C'est pire que rien : ça pollue le vote avec des résultats erronés présentés avec assurance.
Alors pourquoi 98,6% de précision en production ?
Vote multi-recadrage. Chaque véhicule génère 15–20 captures en passant. Les grands recadrages (100–200px) lisent correctement. Les petits (40–80px) sont du bruit. Le vote agrège tous les résultats et les bonnes lectures écrasent les mauvaises.
La SR sur les petits recadrages ? Zéro impact. Ils étaient déjà surpassés.
Le vrai problème
Les caractères sur une capture de 50px font 4–5 pixels de large. Aucun modèle, quelle que soit sa capacité, ne peut inventer du détail absent du signal.
Les articles publiés qui fonctionnent utilisent 1,5M–7,5M paramètres (45× tes 42K). À cette échelle, on peut reconstruire du détail. Mais même Nguyen et al. (ICIP 2020) avaient montré que la SR peut dégrader l'OCR de 9% sur des images déjà lisibles.
La conclusion (Wink, pas nous)
Si tu peux réentraîner ton OCR sur des basses résolutions, tu gagnes plus qu'avec la SR.
Si tu ne peux pas (produit tiers verrouillé), alors oui, teste la SR.
Sinon : améliore ta capture (optique, fps, angles) plutôt que de jeter du temps dans une couche qui hallucine.
Et concrètement pour toi ?
Choisis ton profil — la lecture de l'article change selon qui tu es.
Pour toi, cet échec montre comment l'IA peut sembler magique en théorie mais échouer brutalement en pratique. La super-résolution fabrique des caractères plausibles mais faux — c'est une bonne illustration de pourquoi tu ne peux pas juste empiler des modèles cool et espérer que ça marche. Parfois, il faut juste mieux filmer.
Source
Pour aller plus loin
Cet article t'a donné envie d'approfondir ? Deux formations Noésis t'attendent :
Explorer les thèmes de cet article :