La plupart des algorithmes conventionnels de super-résolution (SR) supervisée supposent que les données à faible résolution (LR) sont obtenues par décimation de données à haute résolution (HR) à l’aide d’un noyau fixe et connu, hypothèse qui ne tient souvent pas dans les scénarios réels. Certains algorithmes récents de SR aveugle ont été proposés afin d’estimer des noyaux de décimation différents pour chaque image LR d’entrée. Toutefois, ces approches souffrent d’un surcroît computationnel important, les rendant inapplicables directement aux vidéos. Dans ce travail, nous présentons DynaVSR, un cadre novateur basé sur l’apprentissage méta pour la super-résolution vidéo en conditions réelles, permettant une estimation efficace du modèle de décimation et une adaptation au flux d’entrée actuel. Plus précisément, nous entraînons un module de décimation multi-images utilisant divers types de noyaux de flou synthétiques, intégré de manière fluide à un réseau de SR vidéo afin d’assurer une adaptation pilotée par l’entrée. Les résultats expérimentaux montrent que DynaVSR améliore de manière significative et cohérente les performances des modèles d’état de l’art en SR vidéo, avec un temps de déduction d’un ordre de grandeur plus rapide que les approches aveugles existantes.