La super-resolución de imágenes ciegas (Blind-SR) es el proceso de aprovechar una imagen de baja resolución (LR), con degradación desconocida, para generar su versión de alta resolución (HR). La mayoría de las técnicas de SR ciegas existentes utilizan una red estimadora de degradación para estimar explícitamente el núcleo de desenfoque y guiar la red de SR con la supervisión de núcleos de verdad terrestre (GT). Para resolver este problema, es necesario diseñar una red estimadora implícita que pueda extraer una representación discriminativa del núcleo de desenfoque sin depender de la supervisión de núcleos de desenfoque de verdad terrestre. Diseñamos un enfoque ligero para la super-resolución ciega (Blind-SR) que estima el núcleo de desenfoque y restaura la imagen HR basado en una red neuronal convolucional profunda (CNN) y una red generativa adversarial residual de super-resolución profunda. Dado que el núcleo de desenfoque para la SR de imágenes ciegas es desconocido, siguiendo el modelo de formación de imágenes del problema de super-resolución ciega, primero introducimos un modelo basado en red neuronal para estimar el núcleo de desenfoque. Esto se logra mediante (i) un Super Resolver que, a partir de una entrada de baja resolución, genera la correspondiente imagen SR; y (ii) una Red Estimadora que genera el núcleo de desenfoque a partir de los datos de entrada. La salida de ambos modelos se utiliza en una nueva formulación de pérdida. La red propuesta es entrenable de extremo a extremo. La metodología propuesta está fundamentada tanto en experimentos cuantitativos como cualitativos. Los resultados en benchmarks demuestran que nuestro enfoque computacionalmente eficiente (12 veces menos parámetros que los modelos de última generación) se desempeña favorablemente en comparación con enfoques existentes y puede ser utilizado en dispositivos con capacidades computacionales limitadas.