Diese Arbeit befasst sich mit dem Problem der Bewegungsunschärfebeseitigung dynamischer Szenen. Obwohl end-to-end vollständig konvolutionale Architekturen kürzlich den Stand der Technik in der nichtuniformen Bewegungsunschärfebeseitigung vorangetrieben haben, bleibt ihr Leistungs-Komplexitäts-Verhältnis weiterhin suboptimal. Bestehende Ansätze erreichen ein großes Empfindungsfeld durch Erhöhung der Anzahl allgemeiner Konvolutionsschichten und der Kernelgröße, was jedoch mit einem Anstieg der Modellgröße und einer Verlangsamung der Inferenzgeschwindigkeit einhergeht. In dieser Arbeit schlagen wir eine effiziente, pixeladaptiv und merkmalsaufmerksam gestaltete Architektur vor, die großen Schwankungen der Unschärfe über verschiedene räumliche Positionen hinweg bewältigt und jeweils adaptiv mit jedem Testbild arbeitet. Zudem präsentieren wir ein effektives, inhaltsbewusstes globales-lokales Filtermodul, das die Leistung erheblich verbessert, indem es nicht nur globale Abhängigkeiten berücksichtigt, sondern auch dynamisch benachbarte Pixelinformationen nutzt. Wir verwenden eine patch-hierarchisch aufgebaute, aufmerksamkeitsbasierte Architektur, die aus obigem Modul besteht und implizit räumliche Variationen der Unschärfe im Eingabebild erkennt und anschließend lokale und globale Modulation der Zwischenergebnisse durchführt. Ausführliche qualitative und quantitative Vergleiche mit vorangegangenen Arbeiten auf gängigen Deblurring-Benchmarks zeigen, dass unsere Architektur sowohl in Bezug auf Genauigkeit als auch auf Geschwindigkeit signifikante Verbesserungen gegenüber dem aktuellen Stand der Technik erzielt.