Las imágenes de matrículas de vehículos suelen tener baja resolución y estar borrosas debido a la gran distancia y al movimiento relativo entre el sensor de visión y el vehículo, lo que dificulta la identificación de las matrículas. El uso extensivo de sensores de visión caros y de alta calidad es poco económico en la mayoría de los casos; por lo tanto, las imágenes se capturan inicialmente y luego se traducen de baja resolución a alta resolución. Con este propósito, se han desarrollado varias técnicas tradicionales como bilineal, bicúbica, redes neuronales convolucionales de super-resolución y redes generativas antagónicas de super-resolución (SRGAN) con el tiempo para mejorar imágenes de baja calidad. Sin embargo, la mayoría de los estudios en esta área se refieren a la conversión de imágenes de baja resolución a imágenes de súper resolución, y se ha prestado poca atención al desenfoque de movimiento. Este trabajo extiende SRGAN agregando un método inteligente de desenfoque de movimiento (llamado SRGAN-LP), que ayuda a mejorar la resolución de la imagen y eliminar el desenfoque de movimiento de las imágenes dadas. Se desarrolló un conjunto de datos específico del dominio de forma exhaustiva y nuevo para lograr resultados mejorados. Además, manteniendo resultados cuantitativos y cualitativos más altos en comparación con las imágenes de referencia, este estudio amplía la imagen de baja resolución proporcionada cuatro veces y elimina el desenfoque de movimiento en cierta medida, lo que la hace adecuada para aplicaciones de vigilancia.