الاسترجاع المتفوّق المُحْدَث (Blind Super-Resolution) هو مهمة مهمة في مجال الرؤية الحاسوبية، ولها تطبيقات متعددة في العالم الحقيقي. وتشكل تقدير نواة التشويش (Blur Kernel Estimation) العنصر الرئيسي في الاسترجاع المتفوّق المُحْدَث، إلى جانب الشبكات التكيفية للاسترجاع المتفوّق، حيث يُعدّ تقدير النواة بدقة أعلى سببًا رئيسيًا في تحسين الأداء. في الآونة الأخيرة، أصبحت الشبكات التوليدية التنافسية (GANs) التي تقارن بين الحقول المتكررة عبر المقياس هي أكثر الطرق غير المُراقبة نجاحًا في تقدير النواة. ومع ذلك، لا تزال تواجه عدة مشكلات: ① تم الإشارة إلى ضعف قدرة GANs على التمييز بين الحدة، مما يدفعها إلى التركيز أكثر على أشكال الأنماط بدلاً من الحدة. ② في بعض الحالات، تم تجاهل عمليات تصحيح النواة، رغم أن هذه العمليات ضرورية، لأن النواة المولّدة بشكل مثالي قد تكون ضيقة أكثر من دالة انتشار النقطة (PSF)، ما لم تكن PSF مرشحًا منخفض التردد المثالي. ③ كما لم تأخذ الدراسات السابقة بعين الاعتبار أن GANs تتأثر بسماكة الحواف وكذلك بـ PSF. لذلك، في هذا البحث، 1) نقترح عملية تدهور ومقارنة ترتيبية مصممة لجعل نماذج GAN حساسة أكثر لحدّة الصورة، و 2) نقترح تقنية تصحيح نواة لا تعتمد على المقياس باستخدام تقريب نواة غاوسي يحتوي على معلمة السماكة. ولتحسين دقة النواة بشكل أكبر، نقترح 3) نموذجًا مدمجًا بين GAN المُقترح وDIP (البُنية العميقة للصورة)، بهدف توفير مراقبة إضافية، وصممنا شبكة تصحيح نواة لنقل التدرجات عبر الطريقة المطورة للتصحيح. أظهرت عدة تجارب أن طرقنا قد عزّزت خطأ L2 وشكل النواة بشكل ملحوظ. علاوة على ذلك، عند دمجها مع خوارزميات الاسترجاع المتفوّق المُحْدَث العادية، تم تحقيق أفضل دقة في الاسترجاع مقارنةً بجميع الطرق غير المُراقبة لتقدير نواة التشويش.