In der Materialographie von Werkstoffen und Bauteilen ist die qualitative und quantitative Gefügeanalyse mittels Aufnahmen aus hochauflösenden Lichtmikroskopen fester Bestandteil. Besonders bei hohen Vergrößerungen und großflächigen Mikroskopieaufnahmen entstehen aufgrund von Schwingungen oder Defokussierung oft unscharfe Bildbereiche. Die Bildqualität der Aufnahmen hat einen direkten Einfluss auf die quantitative Gefügeanalyse, da die Robustheit der bildverarbeitenden Analysemethoden stark von der Güte der Aufnahmen abhängig ist. Wir stellen ein Deep Learning Modell vor, mit welchem unter Verwendung passender Trainingsdaten die Bildschärfe von Lichtmikroskopieaufnahmen erhöht werden kann. Am Beispiel von Stählen mit bainitischem Gefüge, nichtmetallischen Einschlüssen bei der Stahlreinheitsgradanalyse, Aluminium-Silizium-Gusslegierungen, Sintermagneten und Lithium-Ionen-Batterien zeigen wir, dass unscharfe Aufnahmen erfolgreich mittels Deep Learning nachgeschärft werden können. Des Weiteren wird untersucht, ob die geometrische Genauigkeit in den künstlich nachgeschärften Aufnahmen gewährleistet ist.