In diesem Artikel präsentieren wir einen Algorithmus zur Erkennung von Fahrzeugkennzeichen in der realen Welt aus Bildern geringer Qualität. Unser Ansatz basiert auf einem Framework, das Rauschunterdrückung und Rektifizierung umfasst, wobei beide Aufgaben jeweils durch Convolutional Neural Networks (CNNs) durchgeführt werden. In früheren Arbeiten wurden Rauschunterdrückung und Rektifizierung separat behandelt und jeweils mit einem einzelnen Netzwerk gelöst. Im Gegensatz dazu schlagen wir hier ein end-to-end trainierbares Netzwerk für die Bildrekonstruktion vor, namens Single Noisy Image DEnoising and Rectification (SNIDER), das beide Probleme gemeinsam löst. Dieses Vorgehen überwindet die genannten Herausforderungen durch die Entwicklung eines neuartigen Netzwerks, das Rauschunterdrückung und Rektifizierung gleichzeitig bewältigt. Darüber hinaus stellen wir eine Methode vor, die die Optimierung mit Hilfsaufgaben zur Multi-Task-Fitting und neuartige Trainingsverlustfunktionen nutzt. Umfangreiche Experimente an zwei anspruchsvollen LPR-Datensätzen belegen die Wirksamkeit unseres vorgeschlagenen Ansatzes bei der Wiederherstellung hochwertiger Kennzeichenbilder aus solchen geringer Qualität und zeigen, dass unsere Methode andere state-of-the-art-Verfahren übertrifft.