ブラインド超解像（blind-SR）はコンピュータビジョン分野における重要なタスクであり、実世界における多様な応用が期待されている。ブラインド-SRの核心となる要素の一つは、ぼかしカーネルの推定であり、適応型超解像ネットワークと併せて、より正確なカーネル推定が優れた性能を実現する鍵となる。近年、生成的対抗ネットワーク（GAN）を用いた、複数スケール間の再帰的パッチを比較する手法が、非教師ありカーネル推定において最も成功したアプローチとして注目されている。しかし、依然としていくつかの課題が残っている。① そのシャープネスの識別能力が弱く、パターンの形状に注目しすぎ、シャープさそのものに敏感でないという問題がある。② 一部の研究ではカーネル補正プロセスが省略されているが、これは本質的に重要であり、最適に生成されたカーネルが点拡散関数（PSF）よりも狭くなる場合（特にPSFが理想的なローパスフィルタでない場合）に、画像の再構成精度が低下する原因となる。③ また、従来の研究では、GANの性能がエッジの厚さやPSFの特性に影響されることを考慮していなかった。本稿では、上記の課題に対処するため、以下の3つの貢献を行う。1）画像のシャープさに敏感になるよう誘導するための劣化モデルとランク比較プロセスを提案する。2）厚さパラメータを含むガウスカーネル近似を用いたスケールフリーなカーネル補正技術を提案する。さらに、カーネル推定の精度を向上させるために、3）提案したGANとDeep Image Prior（DIP）を組み合わせた統合モデルを提案し、勾配の伝播を可能にするためのカーネル補正ネットワークを設計した。実験結果により、本手法がL2誤差およびカーネルの形状の両面で顕著な改善をもたらすことが確認された。また、従来のブラインド-SRアルゴリズムと組み合わせた場合、非教師ありぼかしカーネル推定手法の中で最高の再構成精度を達成した。