La detección y reconocimiento de texto en escenas, como el reconocimiento automático de matrículas, es una tecnología utilizada en diversas aplicaciones. Aunque se han realizado numerosos estudios para mejorar la precisión del reconocimiento, la precisión disminuye cuando se introducen imágenes de matrículas antiguas de baja calidad en un módulo de reconocimiento debido a la baja calidad de la imagen y la falta de resolución. Para obtener una mejor precisión de reconocimiento, este estudio propone un modelo de reconocimiento de matrículas aumentado de alta frecuencia en el que el módulo de superresolución y el módulo de reconocimiento de matrículas están integrados y entrenados colaborativamente a través de una propuesta de optimización basada en un aprendizaje de extremo a extremo gradual. Para entrenar óptimamente nuestro modelo, proponemos un método de extracción de características holísticas que evita efectivamente la generación de patrones de cuadrícula a partir de la imagen superresuelta durante el proceso de entrenamiento. Además, para explotar la información de alta frecuencia que afecta el rendimiento del reconocimiento de matrículas, proponemos un módulo de reconocimiento de matrículas basado en la ampliación de alta frecuencia. Además, proponemos un proceso de aprendizaje de extremo a extremo gradual basado en la congelación de pesos con tres pasos. Nuestro enfoque metodológico de tres pasos puede optimizar adecuadamente cada módulo para proporcionar un rendimiento de reconocimiento robusto. Los resultados experimentales muestran que nuestro modelo es superior a los enfoques existentes en condiciones de legado de baja calidad en los conjuntos de datos de vehículos UFPR y griegos.