Nous présentons un modèle génératif basé sur un réseau résiduel profond pour la super-résolution d’images uniques (SISR) dans le contexte des images sous-marines, destiné à être utilisé par des robots sous-marins autonomes. Nous proposons également un pipeline d’entraînement adversaire permettant d’apprendre la SISR à partir de données appariées. Afin de superviser l’entraînement, nous formulons une fonction objective évaluant la qualité perceptive d’une image en se basant sur son contenu global, sa couleur et ses caractéristiques locales de style. En outre, nous introduisons USR-248, un grand ensemble de données comprenant trois ensembles d’images sous-marines aux résolutions spatiales « élevées » (640×480) et « basses » (80×60, 160×120 et 320×240). L’ensemble USR-248 inclut des paires d’images permettant l’entraînement supervisé de modèles SISR à facteurs de zoom de 2×, 4× ou 8×. Par ailleurs, nous validons l’efficacité du modèle proposé à l’aide d’expériences qualitatives et quantitatives, et comparons ses performances à celles de plusieurs modèles de pointe. Nous analysons également sa faisabilité pratique pour des applications telles que la compréhension de scènes et la modélisation de l’attention dans des conditions visuelles bruitées.