Les structures sont essentielles dans la super-résolution d’image unique (SISR). Des études récentes tirant parti des réseaux antagonistes génératifs (GAN) ont permis d’accélérer le développement de la SISR en permettant la reconstruction d’images photo-réalistes. Toutefois, des distorsions structurelles indésirables persistent souvent dans les images reconstruites. Dans ce travail, nous proposons une méthode de super-résolution préservant les structures, afin de réduire ce problème tout en conservant les avantages des approches basées sur les GAN pour générer des détails perceptuellement plaisants. Plus précisément, nous exploitons les cartes de gradient des images pour guider la reconstruction sous deux aspects. D’une part, nous restaurons les cartes de gradient à haute résolution via une branche dédiée, fournissant ainsi des priorités structurelles supplémentaires au processus de SISR. D’autre part, nous introduisons une perte de gradient qui impose une contrainte du second ordre sur les images super-résolues. En complément des fonctions de perte traditionnelles dans l’espace d’image, ces objectifs dans l’espace de gradient aident les réseaux génératifs à se concentrer davantage sur les structures géométriques. En outre, notre méthode est indépendante du modèle, ce qui la rend potentiellement compatible avec des réseaux de SISR disponibles en commerce. Les résultats expérimentaux montrent que notre approche atteint les meilleurs scores en PI et LPIPS, tout en offrant des performances comparables en PSNR et SSIM par rapport aux méthodes de SISR les plus avancées axées sur la perception. Les résultats visuels démontrent clairement notre supériorité dans la restauration des structures, tout en générant des images super-résolues naturelles.