Du fait de la nature un-à-plusieurs du problème de super-résolution (SR), une seule image à faible résolution (LR) peut être associée à de nombreuses images à haute résolution (HR). Toutefois, les algorithmes de SR basés sur l’apprentissage sont entraînés pour mapper une image LR vers l’image HR de référence (GT) correspondante présente dans le jeu de données d’entraînement. La fonction de perte d’entraînement augmente et pénalise l’algorithme lorsque la sortie ne correspond pas exactement à la cible GT, même lorsque les sorties sont des candidats mathématiquement valides selon le cadre théorique de la SR. Ce problème devient particulièrement critique dans le cas de la SR aveugle (blind SR), où les noyaux de flou inconnus et diversifiés aggravent encore l’ill-posedness du problème. À cet effet, nous proposons une approche fondamentalement nouvelle pour la SR en introduisant le concept de cible adaptative. Cette cible adaptative est générée à partir de la cible GT initiale par une transformation visant à correspondre à la sortie du réseau de SR. La cible adaptative offre ainsi une méthode efficace pour permettre à l’algorithme de SR de faire face à l’ill-posedness inhérente au problème, en offrant une flexibilité permettant d’accepter une variété de solutions valides. Les résultats expérimentaux démontrent l’efficacité de notre méthode, en particulier en termes d’amélioration de la qualité perceptive des sorties HR.