Blind-Super-Resolution (blind-SR) ist eine zentrale Aufgabe im Bereich der Computer Vision und findet vielfältige Anwendungen in der Praxis. Die Schätzung des Verschmierungs-Kerns ist ein zentraler Bestandteil der blind-SR, neben adaptiven SR-Netzwerken; eine präzisere Schätzung des Kernels führt zu einer verbesserten Gesamtleistung. In jüngster Zeit haben generative adversarielle Netzwerke (GANs), die wiederkehrende Patch-Strukturen über verschiedene Skalen vergleichen, die erfolgversprechendsten Methoden zur unsupervised-Kernschätzung gezeigt. Dennoch bestehen weiterhin mehrere Probleme: ① Ihre Fähigkeit zur Unterscheidung von Schärfe wird als zu gering bewertet, wodurch sie stärker auf Formmuster als auf Schärfe achten. ② In einigen Fällen wurde der Korrekturprozess für den Kernel weggelassen; dieser ist jedoch entscheidend, da der optimal generierte Kernel enger sein kann als eine Punktverbreitungs-Funktion (PSF), es sei denn, die PSF ist ein ideales Tiefpassfilter. ③ Frühere Studien berücksichtigten nicht, dass GANs sowohl von der Dicke von Kanten als auch von der PSF beeinflusst werden. Daher schlagen wir in diesem Artikel 1) einen Degradations- und Rangvergleichsprozess vor, der GAN-Modelle dazu anregt, empfindlicher gegenüber Bildschärfe zu werden, und 2) eine skalenunabhängige Kernel-Korrekturtechnik mittels Gauss-Kernel-Näherung mit einem Dicke-Parameter vor. Um die Genauigkeit des Kernels weiter zu verbessern, schlagen wir 3) ein Kombinationsmodell aus dem vorgeschlagenen GAN und DIP (Deep Image Prior) zur zusätzlichen Supervision vor und entwerfen ein Korrektur-Netzwerk, das Gradienten durch die entwickelte Korrekturmethodik propagieren kann. Verschiedene Experimente zeigen, dass unsere Methoden sowohl den L2-Fehler als auch die Form des Kernels signifikant verbessern. Zudem wird durch die Kombination mit herkömmlichen blind-SR-Algorithmen die beste Rekonstruktionsgenauigkeit unter allen unsupervised-Methoden zur Verschmierungs-Kernschätzung erreicht.