Recientemente, las redes supervisadas de superresolución profunda (SR) han logrado un gran éxito tanto en precisión como en generación de texturas. Sin embargo, la mayoría de los métodos se entrenan en el conjunto de datos con un kernel fijo (como bicúbico) entre imágenes de alta resolución y sus contrapartes de baja resolución. En aplicaciones de la vida real, las imágenes siempre están perturbadas con artefactos adicionales, como una función de dispersión de punto no ideal en fotos antiguas de película y pérdida de compresión en fotos de teléfonos celulares. Cómo generar una imagen SR satisfactoria a partir de una imagen LR de baja resolución específica previa sigue siendo un problema desafiante. En este documento, proponemos un nuevo método no supervisado llamado superresolución de imagen única no supervisada con pérdida multi-gram (UMGSR) para superar el dilema. Hay dos contribuciones significativas en este documento: (a) diseñamos una nueva arquitectura para extraer más información de entradas limitadas mediante la combinación de un bloque residual local y un aprendizaje residual global de dos pasos; (b) introducimos la pérdida multi-gram para la tarea de SR para generar efectivamente mejores detalles de imagen. La comparación experimental muestra que nuestro método no supervisado en condiciones normales puede lograr mejores resultados visuales que otros métodos supervisados de SR.