Ein zentraler Bestandteil der Video-Entunschärfung ist die effektive Nutzung benachbarter Frames. Moderne state-of-the-art-Methoden nutzen entweder ausgerichtete benachbarte Frames im Vergleich zum zentralen Frame oder übertragen Informationen aus vorherigen Frames rekurrent auf den aktuellen Frame. In diesem Beitrag stellen wir ein neuartiges Konzept namens Multi-Blur-to-Deblur (MB2D) vor, das die Nutzung benachbarter Frames für eine effiziente Video-Entunschärfung ermöglicht. Erstens argumentieren wir, inspiriert durch das Unsharp-Masking-Verfahren, dass die Verwendung zusätzlicher, stärker verschwommener Bilder mit langen Belichtungszeiten als zusätzliche Eingaben die Leistung erheblich verbessert. Zweitens führen wir ein Multi-Blurring rekurrentes neuronales Netzwerk (MBRNN) ein, das aus benachbarten Frames zusätzliche verschwommene Bilder synthetisiert und somit die Leistung bestehender Video-Entunschärfungsmethoden signifikant steigert. Drittens stellen wir eine mehrskalige Entunschärfung mit verbundenen rekurrenten Merkmalskarten aus dem MBRNN (MSDR) vor, die auf den gängigen Datensätzen GoPro und Su sowohl schnell als auch speichereffizient state-of-the-art-Ergebnisse erzielt.