Tanto el ruido como la estructura son importantes en la superresolución de imágenes individuales (SISR). Las investigaciones recientes se han beneficiado de una red generativa adversaria (GAN) que promueve el desarrollo de SISR al recuperar imágenes fotorrealistas. Sin embargo, el ruido y la distorsión estructural son perjudiciales para SISR. En este documento, nos enfocamos en eliminar el ruido y la distorsión geométrica durante la superresolución de imágenes ruidosas. Incluye un módulo de preprocesamiento de eliminación de ruido y una rama de conservación de estructura. Al mismo tiempo, se siguen utilizando las ventajas de GAN para generar detalles satisfactorios. Especialmente, sobre la base del SISR original, se desarrolla la rama de gradiente y se diseña el módulo de preprocesamiento de eliminación de ruido antes de la rama SR. El preprocesamiento de eliminación de ruido elimina el ruido mediante el aprendizaje de la distribución de ruido y la utilización de residual-skip. Al restaurar los mapas de gradiente de alta resolución (HR) y combinar la pérdida de gradiente con la pérdida de espacio para guiar la optimización de parámetros, la rama de gradiente aporta restricciones estructurales adicionales. Los resultados experimentales muestran que hemos obtenido un mejor Índice de Percepción (PI) y Similitud de Parches de Imágenes Perceptivas Aprendidas (LPIPS) en las imágenes ruidosas, y el Pico de Señal a Ruido (PSNR) y la Similitud de Estructura (SSIM) son equivalentes en comparación con el método de SR más reportado combinado con DNCNN. Tomando el conjunto de datos Urban100 con una intensidad de ruido de 25 como ejemplo, cuatro índices del método propuesto son respectivamente 3.6976 (PI), 0.1124 (LPIPS), 24.652 (PSNR) y 0.9481 (SSIM). Combinado con el rendimiento bajo diferentes intensidades de ruido y diferentes conjuntos de datos reflejados en diagramas de caja y bigotes, los valores de PI y LPIPS son los mejores entre todos los métodos de comparación, y el PSNR y el SSIM también logran efectos equivalentes. Además, los resultados visuales muestran que el método propuesto de mejorar el efecto de superresolución de imágenes ruidosas a través de información estructural y preprocesamiento de eliminación de ruido (SNS) no se ve afectado por el ruido al mismo tiempo que preserva la estructura geométrica en el procesamiento de SR.