Muchos conjuntos de datos utilizados para entrenar sistemas de inteligencia artificial para reconocer baches, como las secuencias desafiantes para la conducción autónoma (CCSAD) y los conjuntos de datos de carreteras del Pacífico Noroeste (PNW), no producen resultados satisfactorios. Esto se debe a que estos conjuntos de datos presentan escenarios complejos pero realistas de tareas de detección de baches que los conjuntos de datos populares que logran mejores resultados, pero no representan de manera efectiva la tarea realista de detección de baches. En teledetección, las redes generativas adversarias de super resolución (GAN), como las redes generativas adversarias de super resolución mejoradas (ESRGAN), se han utilizado para mitigar los problemas de detección de objetos pequeños, lo que ha demostrado un rendimiento notable en la detección de objetos pequeños en imágenes de baja calidad. Inspirados por este éxito en teledetección, aplicamos técnicas similares con una red de super resolución ESRGAN para mejorar la calidad de imagen de las superficies de la carretera, y utilizamos diferentes redes de detección de objetos en el mismo proceso para detectar instancias de baches en las imágenes. La arquitectura que proponemos consta de dos componentes principales: ESRGAN y una red de detección. Para la red de detección, empleamos tanto "you only look once" (YOLOv5) como las redes EfficientDet. Experimentos exhaustivos en diferentes conjuntos de datos de detección de baches muestran un mejor rendimiento para nuestro método en comparación con métodos similares de última generación para la detección de baches.