Viele auf tiefen Lernverfahren basierende Ansätze zur blinden Bildunschärfung schätzen die Unschärfe-Darstellung und rekonstruieren das Zielbild aus der verschwommenen Beobachtung. Diese Methoden leiden jedoch unter erheblicher Leistungsverschlechterung in realen Szenarien, da sie wichtige Vorwissen über Bewegungsunschärfen vernachlässigen (z. B. dass reale Bewegungsunschärfen vielfältig und räumlich variabel sind). Einige Ansätze haben versucht, nicht-uniforme Unschärfekerne explizit mittels CNNs zu schätzen, doch die genaue Schätzung bleibt aufgrund des Fehlens von Ground-Truth-Daten zu räumlich variierenden Unschärfekernen in realen Bildern herausfordernd. Um diese Probleme anzugehen, schlagen wir vor, das Feld von Bewegungsunschärfekernen in einem latenzraumlichen Raum mittels Normalisierungsflüssen darzustellen und entwerfen CNNs, die stattdessen latente Codes vorhersagen, anstatt direkte Bewegungsunschärfekerne zu schätzen. Um die Genauigkeit und Robustheit der Schätzung nicht-uniformer Kerne weiter zu verbessern, integrieren wir Unsicherheitslernen in den Prozess der Schätzung latenter Codes und stellen ein mehrskaliges Kernel-Attention-Modul vor, um Bildmerkmale effektiver mit den geschätzten Kernen zu verbinden. Ausführliche experimentelle Ergebnisse, insbesondere auf realen Unschärfe-Datensätzen, zeigen, dass unsere Methode sowohl in Bezug auf subjektive als auch objektive Qualitätsmaße state-of-the-art-Leistungen erzielt und eine hervorragende Generalisierungsfähigkeit für die nicht-uniforme Bildunschärfung aufweist. Der Quellcode ist unter https://see.xidian.edu.cn/faculty/wsdong/Projects/UFPNet.htm verfügbar.