近年来，基于深度学习的超分辨率（Super-Resolution, SR）模型取得了显著进展。现有大多数方法均假设低分辨率（Low-Resolution, LR）图像由对应的高分辨率（High-Resolution, HR）图像通过预定义的模糊核进行“均匀”退化而来——即图像各区域经历相同的退化过程。在此假设基础上，研究者们尝试估计给定LR图像的模糊核，因为准确的核先验已被证实有助于提升超分辨率性能。然而，已有研究表明，真实图像中的模糊核通常是非均匀的（即空间变化的），而当前主流的核估计算法大多在图像级别进行，即为整张图像估计单一模糊核。这种处理方式在图像退化过程非均匀的情况下不可避免地表现欠佳。一种直观的改进思路是采用“分而治之”策略，将图像划分为多个图像块（patch），分别进行核估计与超分辨率重建。然而，该方法在实际应用中效果有限，难以有效捕捉局部退化特征的复杂性。针对这一问题，本文提出基于像素级（pixel-level）模糊核估计的全新方法。构建基于像素级核估计的SR框架，主要包括以下三个核心组件：核拼贴（Kernel Collage）：一种用于合成非均匀退化LR图像的方法，设计时充分考虑了邻近区域之间模糊核的局部一致性，同时允许在某些区域出现突变，以更真实地模拟真实图像中的空间变化退化特性； 间接损失（Indirect Loss）：一种新型损失函数，用于训练核估计器，其基于重建损失构建，能够有效引导模型学习更准确的核分布； 附加优化机制（Additional Optimization）：一种增强SR网络鲁棒性的策略，使其对核估计中的微小误差具有更强的容忍能力，从而提升整体重建稳定性。大量实验结果表明，所提出的像素级核估计方法在盲超分辨率任务中显著优于现有先进方法，无论在定量指标（如PSNR、SSIM）还是定性视觉效果方面均展现出优越性能。