Bewegungsunschärfe entsteht durch eine Kombination aus Objektbewegungen und Kameraverschiebungen und zeichnet sich typischerweise durch eine gerichtete und nicht gleichmäßige Verwischung aus. Frühere Forschungsarbeiten versuchten, nicht gleichmäßige Unschärfen mittels selbstrekurrenter, multiskaliger, multipatch- oder multitemporaler Architekturen mit Selbst-Attention zu beheben, um zufriedenstellende Ergebnisse zu erzielen. Allerdings führen selbstrekurrente Ansätze in der Regel zu einer längeren Inferenzzeit, während inter-pixel- oder inter-channel Selbst-Attention zu übermäßiger Speicherauslastung führen kann. In dieser Arbeit wird ein Blur-aware Attention Network (BANet) vorgestellt, das eine präzise und effiziente Entschärfung in einer einzigen Vorwärtsdurchlauf ermöglicht. Unser BANet nutzt regionenbasierte Selbst-Attention in Verbindung mit Multi-Kernel-Strip-Pooling, um Unschärfemuster unterschiedlicher Stärke und Orientierung zu entkoppeln, sowie kaskadierte parallele dilatierte Faltungen zur Aggregation von mehrskaligen Inhaltmerkmalen. Umfangreiche experimentelle Ergebnisse auf den Benchmarks GoPro und RealBlur zeigen, dass das vorgeschlagene BANet gegenüber den aktuellen Stand der Technik in der Wiederherstellung verschwommener Bilder überzeugt und gleichzeitig Echtzeit-Entschärfung ermöglicht.