Im Bereich der Fernerkundung stellen die Qualitätsschwankungen bei Satellitenbildern in zahlreichen Anwendungsbereichen eine große Herausforderung dar. Umweltüberwachung, Stadtplanung, Landwirtschaftsmanagement und Katastrophenschutz sind auf hochwertige Daten angewiesen, um genaue Ergebnisse zu erzielen. In diesem Beitrag wird ein neuartiger Ansatz vorgestellt, um dieses Problem durch den Einsatz fortschrittlicher Superresolution-Techniken zu lösen. Real-ESRGAN, ein hochmodernes superauflösendes neuronales Netz, das für seine Leistungsfähigkeit bekannt ist, wird auf eine große Vielfalt von Inhalten trainiert, die von Menschen, handgefertigten Objekten und Umgebungen über Flora und Fauna bis hin zu natürlichen Landschaften, einschließlich Unterwasser- und Dämmerlichtbedingungen, reichen. Das Konzept des Transferlernens wird genutzt und das Modell an die Besonderheiten von Satellitenbildern angepasst. Es wird gezeigt, dass durch die Verlagerung des Wissens aus dem vortrainierten verallgemeinerten Real-ESRGAN-Modell auf Satellitenbilder äußerst realistische und detailreiche Ergebnisse erzielt werden können. Dadurch wird die Qualitätslücke zwischen niedrig- und hochauflösenden Bildern verkleinert, was genauere Analysen und Vergleiche ermöglicht. Das Modell wird mit Sentinel-2- und PlanetScope-Daten trainiert, um es an die realen Bedingungen von Satellitenbildern anzupassen. Die entwickelte Methode bietet eine zugängliche und kosteneffektive Lösung, um qualitativ hochwertige Bilder aus offenen Datenquellen zu erhalten, die sich den Standards von Premium-Satellitenlösungen annähern, ohne dass dafür hochspezialisierte Techniken benötigt werden.