Aufgrund der ein-zu-viele-Natur des Super-Resolution-(SR)-Problems kann ein einzelnes Niedrigauflösungs-(LR)-Bild auf viele Hochauflösungs-(HR)-Bilder abgebildet werden. Traditionelle, auf Lernen basierende SR-Algorithmen werden jedoch trainiert, ein LR-Bild auf das entsprechende Ground-Truth-(GT)-HR-Bild aus dem Trainingsdatensatz abzubilden. Die Trainingsverlustfunktion steigt an und bestraft den Algorithmus, wenn die Ausgabe nicht exakt mit dem GT-Ziel übereinstimmt – selbst dann, wenn die Ausgaben mathematisch gültige Kandidaten im Sinne des SR-Frameworks darstellen. Dies wird für das blinde SR besonders problematisch, da unterschiedliche, unbekannte Blur-Kerne die schlecht gestellte Natur des Problems weiter verschärfen. Um diesem Problem zu begegnen, schlagen wir einen grundlegend anderen Ansatz für SR vor, indem wir das Konzept des adaptiven Ziels einführen. Das adaptive Ziel wird durch eine Transformation aus dem ursprünglichen GT-Ziel generiert, um die Ausgabe des SR-Netzwerks zu entsprechen. Dadurch bietet das adaptive Ziel eine effektive Möglichkeit für den SR-Algorithmus, mit der schlecht gestellten Natur des SR-Problems umzugehen, indem er Flexibilität bei der Annahme einer Vielzahl gültiger Lösungen erhält. Experimentelle Ergebnisse belegen die Wirksamkeit unseres Algorithmus, insbesondere hinsichtlich der Verbesserung der perceptuellen Qualität der HR-Ausgaben.