Dans cet article, nous abordons le problème de la super-résolution d’images aveugle (SR) à l’aide d’un modèle de dégradation reformulé ainsi que de deux modules novateurs. Conformément aux pratiques courantes en SR aveugle, notre méthode vise à améliorer à la fois l’estimation du noyau de flou et la restauration d’images haute résolution basée sur ce noyau. Plus précisément, nous reformulons tout d’abord le modèle de dégradation afin de permettre le transfert de l’estimation du noyau de déflouage vers l’espace à basse résolution. Par la suite, nous introduisons un module de filtre linéaire profond dynamique. Contrairement à l’apprentissage d’un noyau fixe applicable à toutes les images, ce module génère de manière adaptative les poids du noyau de déflouage en fonction de l’entrée, conduisant ainsi à une estimation de noyau plus robuste. Ensuite, un module de filtrage par moindres carrés contraints profond est appliqué pour produire des caractéristiques nettes, fondées sur la reformulation du modèle et sur le noyau estimé. Les caractéristiques déflouées ainsi que les caractéristiques de l’image d’entrée à basse résolution sont ensuite introduites dans un réseau SR structuré à double chemin afin de restaurer le résultat final à haute résolution. Pour évaluer notre méthode, nous menons également des expérimentations sur plusieurs benchmarks, notamment Gaussian8 et DIV2KRK. Nos résultats expérimentaux démontrent que la méthode proposée atteint une meilleure précision et des améliorations visuelles par rapport aux approches de pointe actuelles.