El objetivo de la super resolución de imagen única (SISR) es recuperar una imagen de alta resolución (HR) a partir de una imagen de baja resolución (LR). Los métodos basados en aprendizaje profundo han logrado recientemente un notable avance en términos de efectividad y eficiencia para SISR. La mayoría de los métodos existentes deben ser entrenados en base a datos emparejados sintéticos a gran escala de forma completamente supervisada. Con las imágenes naturales de alta resolución disponibles, las imágenes LR correspondientes suelen ser sintetizadas con una simple operación de degradación fija, como el muestreo bicúbico. Luego, los modelos profundos aprendidos con estos datos de entrenamiento suelen enfrentar dificultades para generalizarse a escenarios reales con operaciones de degradación desconocidas y complicadas. Este estudio explota un novedoso marco de super resolución de imagen ciega utilizando una red de aprendizaje profundo no supervisado. El método propuesto puede predecir simultáneamente la imagen HR subyacente y su operación de degradación específica a partir de la imagen LR observada sin ningún conocimiento previo. Los resultados experimentales en tres conjuntos de datos de referencia validan que nuestro método propuesto logra un rendimiento prometedor bajo los modelos de degradación desconocidos.