Die meisten herkömmlichen überwachten Super-Resolution-(SR)-Algorithmen gehen davon aus, dass die Niedrigauflösungs-(LR)-Daten durch eine feste, bekannte Downsampling-Kernelfunktion aus Hochauflösungs-(HR)-Daten erzeugt wurden. Diese Annahme trifft jedoch in realen Szenarien oft nicht zu. In jüngster Zeit wurden mehrere blind-orientierte SR-Algorithmen vorgestellt, die unterschiedliche Downsampling-Kerne für jeweils ein Eingabebild schätzen. Diese Verfahren leiden jedoch unter erheblichem Rechenaufwand, wodurch ihre direkte Anwendung auf Videos nicht praktikabel ist. In dieser Arbeit präsentieren wir DynaVSR, einen neuartigen, auf Meta-Lernen basierenden Ansatz für die Super-Resolution von realen Videos, der eine effiziente Schätzung und Anpassung des Downsampling-Modells an die jeweilige Eingabe ermöglicht. Konkret trainieren wir ein mehrbildbasiertes Downsampling-Modul mit einer Vielzahl synthetischer Blur-Kerne, das nahtlos mit einem Video-SR-Netzwerk kombiniert wird, um eine eingabewahrende Anpassung zu erreichen. Experimentelle Ergebnisse zeigen, dass DynaVSR die Leistung von aktuellen State-of-the-Art-Video-SR-Modellen konsistent deutlich verbessert und dabei eine um eine Größenordnung schnellere Inferenzzeit im Vergleich zu bestehenden blinden SR-Ansätzen erreicht.