تعتبر معظم خوارزميات التكبير المراقبة التقليدية (SR) مُتَّسِقة على افتراض أن البيانات منخفضة الدقة (LR) تُستخرج عن طريق تقليل حجم البيانات عالية الدقة (HR) باستخدام نواة ثابتة معروفة، لكن هذا الافتراض لا ينطبق غالبًا في السياقات الواقعية. وقد تم مؤخرًا اقتراح بعض خوارزميات التكبير العمياء (blind SR) لتقدير نوى تقليل مختلفة لكل صورة منخفضة الدقة مدخلة. ومع ذلك، تعاني هذه الخوارزميات من عبء حسابي كبير، مما يجعلها غير عملية للاستخدام المباشر في الفيديوهات. في هذا العمل، نقدم إطار عمل جديد يُسمى DynaVSR، وهو إطار يعتمد على التعلم الميتا (meta-learning) لمعالجة تكبير الفيديو في العالم الحقيقي، ويتيح تقديرًا فعّالًا لنموذج التقليل وتكيفه مع المدخلات الحالية. بشكل محدد، نُدرّب وحدة تقليل متعددة الإطارات باستخدام أنواع مختلفة من نوى التشويش الاصطناعية، والتي تُدمج بشكل سلس مع شبكة تكبير الفيديو لتحقيق التكيف وفقًا للمدخلات. أظهرت النتائج التجريبية أن DynaVSR يحسن باستمرار أداء نماذج تكبير الفيديو الرائدة بمقدار كبير، مع زمن استجابة أسرع بمرتبة من الترتيب مقارنةً بالنهج الحالية لخوارزميات التكبير العمياء.