過去数年間、深層学習に基づくモデルは、スーパーレゾリューション（SR）において大きな成功を収めてきた。これらの大多数の研究では、低解像度（LR）画像が、事前に定義されたぼかしカーネルを用いて対応する高解像度（HR）画像から「一様に」劣化していると仮定している——すなわち、画像のすべての領域が同一の劣化プロセスを経ていると想定している。さらに、この仮定に基づき、与えられたLR画像のぼかしカーネルを推定する試みも行われてきた。正確なカーネル事前知識がSRにおいて有効であることが知られているためである。しかし、実際の画像におけるぼかしカーネルは非一様（空間的に変化する）であることが広く認識されているにもかかわらず、現在のカーネル推定アルゴリズムは主に画像単位で行われており、1枚の画像に対して1つのカーネルを推定する。このため、画像全体が非一様に劣化する状況では、これらの手法は必然的に最適でなくなる。画像を複数のパッチに分割し、それぞれに対して個別にカーネル推定とSRを行う「分割統治型」アプローチは、この問題に対する単純な解決策と見なされるが、実際には実用上は失敗する。本稿では、この課題に対処するために、画素レベルでのカーネル推定を採用する。画素レベルカーネル推定に基づくSRフレームワークを学習させるための3つの主要な構成要素は以下の通りである：（1）カーネルコラージュ（Kernel Collage）——隣接領域間のカーネルの一貫性を考慮しつつ、時折急激に変化する非一様な劣化LR画像を合成する手法；（2）間接損失（indirect loss）——再構成損失に基づく、カーネル推定器の学習に用いる新規損失関数；（3）追加最適化（additional optimization）——カーネル推定の微小な誤差に対してSRネットワークのロバスト性を高めるための手法。広範な実験により、画素レベルカーネル推定がブラインドSRにおいて優れた性能を発揮することが示され、定量的・定性的な観点から、既存の最先端手法を上回ることが確認された。