A modern ember mindennapi életének egyre nagyobb részét teszik ki az elektronikus berendezések. A tudomány fejlődésével ugrásszerűen ezeknek az eszközöknek a funkcionalitása is kibővült. Számos alkalmazás már intelligensnek mondható működésre is képes, és jelentős segítséget tud nyújtani. A mesterséges intelligencia az emberek mindennapjainak a részévé vált. Beépítése a hétköznapokba egy korszerű, innovatív információtechnológiákat alkalmazó, fenntarthatóan fejlődő világot eredményez. Mesterséges intelligencián belül a gépi tanulás egyik legelterjedtebb algoritmusa a mélytanuló neurális hálózatok. Ezek az algoritmusok hatékonyan képesek az adatok közötti összefüggéseket felismerni és valamilyen következtetést levonni belőlük. A használatuk olyan problémák esetén javasolt, amelyeknek nincs explicit megoldásuk, viszont ismertek a kiinduló állapotok és az elérni kívánt célállapotok. Ilyen az objektumdetektálás, a képek osztályozása és az önvezetés is. A neurális hálózatok egyik jelentős problémája az előre definiált felbontás, azaz csak egy előre meghatározott nagyságú bemenetet képesek kezelni. Olyan esetben, ahol eltér az elemezni kívánt bemeneti vektor nagysága, valamilyen módon a kívánt nagyságúra kell hoznunk. Képek esetén ez átméretezést vagy csonkolást jelent, ám ezzel jelentős információmennyiséget és zajkeletkezést tudunk előidézni. Ez a probléma jelentkezhet önvezető járműveknél is. Több esetben szükség lehet a kameraszenzor felbontásának megváltoztatására, emellett léteznek olyan szenzorok, amelyek nem adnak előre meghatározható fix nagyságú felbontást. Mindazonáltal több degradáló tényezők is léteznek, amelyek miatt a felbontás megváltozhat. A dolgozatunk során megvizsgáljuk azokat a helyzeteket, melyek hatására szükségünk lehet a felbontás megváltoztatására, illetve ezek lehetséges korrekciós módjait vizsgáljuk. Ehhez egy saját szenzorfúzión és zajmérésen alapuló architektúrát terveztünk, illetve összevetettük ennek hatékonyságát más modellekével is.