Les méthodes de super-résolution aveugle (SR) visent à générer une image haute résolution de qualité à partir d’une image basse résolution présentant des dégradations inconnues. Toutefois, les images naturelles contiennent divers types et niveaux de flou : certains proviennent des caractéristiques intrinsèques de dégradation propres à l’appareil photo, tandis que d’autres peuvent être intentionnels, dans un but esthétique (par exemple, l’effet bokeh). Dans ce dernier cas, il devient particulièrement difficile pour les méthodes de SR de distinguer le flou à supprimer de celui à conserver. Dans cet article, nous proposons un nouveau cadre de super-résolution aveugle fondé sur un ajustement local adaptatif orienté vers le noyau (KOALA, Kernel-Oriented Adaptive Local Adjustment) des caractéristiques de SR, appelé KOALAnet, qui apprend simultanément les noyaux de dégradation et les noyaux de restauration variant spatialement afin de s’adapter aux caractéristiques de flou variant spatialement présentes dans les images réelles. Notre KOALAnet surpasser les méthodes récentes de super-résolution aveugle sur des images basses résolution synthétisées avec des dégradations aléatoires, et nous démontrons également que le modèle proposé produit des résultats les plus naturels pour des photographies artistiques présentant un flou intentionnel, sans sur-aiguisage, en gérant efficacement les images mêlant des zones nettes et des zones floues.