El estudio exploró un enfoque de superresolución de imágenes de aprendizaje profundo que se utiliza comúnmente en reconocimiento facial, percepción de video y otros campos. Estas redes generativas adversarias suelen tener detalles de textura de alta frecuencia. Las texturas relevantes de imágenes de alta resolución podrían transferirse como imágenes de referencia a imágenes de baja resolución. Los métodos existentes más recientes utilizan ideas de transformadores para transferir texturas relacionadas a imágenes de baja resolución, pero aún existen algunos problemas con el aprendizaje de canales y texturas detalladas. Por lo tanto, el estudio propuso una red de transformadores de textura mejorada (ETTN) para mejorar la capacidad de aprendizaje de canales y detalles de la textura. Podría aprender la información estructural correspondiente de imágenes de textura de alta resolución y convertirla en imágenes de textura de baja resolución. A través de esto, encontrar el mapa de características puede cambiar la característica exacta de las imágenes y mejorar la capacidad de aprendizaje entre canales. Luego utilizamos la integración de características a múltiples escalas (MSFI) para mejorar aún más el efecto de fusión y lograr diferentes grados de restauración de texturas. Los resultados experimentales muestran que el modelo tiene un buen efecto de mejora de resolución en transformadores de textura. En diferentes conjuntos de datos, la relación señal a ruido máxima (PSNR) y la similitud estructural (SSIM) mejoraron en 0.1-0.5 dB y 0.02, respectivamente.