الطرق المستندة إلى التعلم العميق قد سيطرت على مجال التحويل الفائق الدقة (SR) بسبب أدائها المتميز من حيث الفعالية والكفاءة. ومع ذلك، فإن معظم هذه الطرق تفترض أن نواة التشويش أثناء التقليل من الدقة محددة مسبقًا/معروفة (مثل، البيكوبك). ولكن، النوى المعقدة وغير المعروفة التي تنطوي عليها التطبيقات الحقيقية تؤدي إلى انخفاض حاد في الأداء للطرق المتقدمة في التحويل الفائق الدقة. في هذا البحث، نقترح طريقة تصحيح نواة متكررة (IKC) لتقدير نواة التشويش في مشكلة التحويل الفائق الدقة العمياء، حيث تكون نواة التشويش غير معروفة. لقد لاحظنا أن عدم توافق النواة يمكن أن يسبب تشوهات منتظمة (إما زيادة الحدة أو زيادة الانسيابية)، والتي يمكن استخدامها لتصحيح النوى غير الدقيقة للتشويش. لذلك، قمنا بطرح مخطط تصحيح متكرر - IKC الذي يحقق نتائج أفضل من تقدير النواة المباشر. كما اقترحنا هندسة شبكة فعالة للتحويل الفائق الدقة باستخدام طبقات تحويل الميزات المكانية (SFT) لمعالجة العديد من نوى التشويش، والتي أطلقنا عليها اسم SFTMD. تظهر التجارب الواسعة على الصور الاصطناعية والصور الحقيقية أن الطريقة المقترحة IKC مع SFTMD يمكنها توفير نتائج تحويل فائق دقة مرغوبة بصريًا وأداء رائد في مشكلة التحويل الفائق الدقة العمياء.