文字認識の前処理として超解像を行う上で、複雑なレイアウトへの頑健性を獲得するため、2次元の位置埋め込みを持つTransformerをバックボーンに用いる。また、出力画像/GTに対するAttentionマップ・文字認識結果の差も誤差関数に組み込む。後者では、VAEをEMNISTで学習して得た文字埋め込みを用いて、混同しやすい文字に重み付けする。