Aufgrund der Sparsamkeit der Merkmale hat sich Rauschen als bedeutende Hemmung bei der Klassifizierung von handschriftlichen Zeichen erwiesen. Um dies zu bekämpfen, führen die meisten Techniken eine Rauschreduzierung der Daten durch, bevor sie klassifiziert werden. In dieser Arbeit konsolidieren wir diesen Ansatz, indem wir ein ganzheitliches Modell trainieren, das auch rauschige Zeichen klassifizieren kann. Für die Klassifizierung trainieren wir schrittweise ein Generator-Adversarial-Netzwerk (GAN) auf den Zeichen von niedriger bis hoher Auflösung. Wir zeigen, dass durch das unabhängige Lernen der Merkmale bei jeder Auflösung ein trainiertes Modell in der Lage ist, Zeichen selbst bei Vorhandensein von Rauschen genauer zu klassifizieren. Wir demonstrieren die Effektivität unseres Ansatzes experimentell durch die Klassifizierung rauschiger Versionen des MNIST-Datensatzes, des handschriftlichen Bangla-Zifferndatensatzes und des Basic Character Datensatzes.