La desenfoque ciego de imágenes, uno de los principales problemas en la restauración de imágenes, es un problema desafiante e mal planteado. Por lo tanto, es importante diseñar una prioridad para resolverlo. Recientemente, la prioridad de imagen profunda (DIP) ha demostrado que las redes neuronales convolucionales (CNN) pueden ser una prioridad poderosa para una sola imagen natural. Los métodos anteriores de desenfoque basados en DIP explotaron las CNN como una prioridad al resolver el problema de desenfoque ciego y tuvieron un rendimiento notable. Sin embargo, estos métodos no utilizan completamente las múltiples imágenes borrosas dadas y tienen limitaciones de rendimiento para imágenes severamente borrosas. Esto se debe a que sus arquitecturas están estrictamente diseñadas para utilizar una sola imagen. En este documento, proponemos un método llamado DualDeblur, que utiliza dos imágenes borrosas para generar una sola imagen nítida. DualDeblur utiliza conjuntamente la información complementaria de múltiples imágenes borrosas para capturar estadísticas de imagen para una sola imagen nítida. Además, proponemos una pérdida adaptativa de SSIM que mejora tanto la precisión de píxeles como las propiedades estructurales. Experimentos extensos muestran el rendimiento superior de nuestro método en comparación con métodos anteriores en evaluaciones cualitativas y cuantitativas.