El aprendizaje en línea es un método para explotar los datos de entrada para actualizar redes profundas en la etapa de prueba con el fin de obtener una posible mejora en el rendimiento. Los métodos de aprendizaje en línea existentes para la superresolución de imágenes individuales (SISR) utilizan una imagen de baja resolución de entrada (LR) para la adaptación en línea de las redes profundas. A diferencia de los enfoques de SISR, los algoritmos de superresolución basados en referencia (RefSR) se benefician de una imagen de alta resolución adicional (HR) de referencia que contiene muchas características útiles para mejorar la imagen LR de entrada. Por lo tanto, presentamos un nuevo algoritmo de aprendizaje en línea, utilizando varias imágenes de referencia, que es aplicable no solo a RefSR sino también a redes SISR. Los resultados experimentales muestran que nuestro método de aprendizaje en línea es aplicable de manera fluida a muchos modelos existentes de RefSR y SISR, y que mejora el rendimiento. Además, presentamos la robustez de nuestro método ante núcleos de degradación no bicúbicos con análisis detallados.