Blinde Super-Resolution-(SR)-Methoden zielen darauf ab, aus einem Niedrigauflösungs-Bild mit unbekannten Degradationen ein hochwertiges Hochauflösungs-Bild zu generieren. Allerdings weisen natürliche Bilder eine Vielzahl unterschiedlicher und variabler Unschärfen auf: Während einige Unschärfen auf die inhärenten Degradationsmerkmale der Kamera zurückzuführen sind, können andere bewusst erzeugt werden, beispielsweise aus ästhetischen Gründen (z. B. Bokeh-Effekt). Im letzteren Fall wird es für SR-Methoden äußerst schwierig, die zu entfernende Unschärfe von der beizubehaltenden zu unterscheiden. In diesem Artikel stellen wir einen neuartigen blinden SR-Framework vor, basierend auf einer kernorientierten adaptiven lokalen Anpassung (KOALA) der SR-Features, namens KOALAnet. Dieses Verfahren lernt gleichzeitig räumlich variierende Degradations- und Restaurationskerne, um sich den räumlich variierenden Unschärfeeigenschaften realer Bilder anzupassen. Unser KOALAnet übertrifft neuere blinde SR-Methoden bei synthetisch erzeugten Niedrigauflösungs-Bildern mit zufälligen Degradationen. Darüber hinaus zeigen wir, dass das vorgeschlagene KOALAnet die natürlichsten Ergebnisse für künstlerische Fotografien mit bewusst eingebauter Unschärfe liefert – ohne Über-Schärfung –, indem es Bilder effektiv verarbeitet, die sowohl scharfe als auch unscharfe Bereiche enthalten.