La introducción de redes neuronales convolucionales (CNNs) en la superresolución de imágenes individuales (SISR) ha dado lugar a un rendimiento notable en la última década. Existe una contradicción en SISR entre el procesamiento indiscriminado y las diferentes dificultades de procesamiento en distintas regiones, lo que lleva a la necesidad de un procesamiento localmente diferenciado de las redes SR. En este artículo, proponemos una red de dividir y conquistar basada en la incertidumbre epistémica (EU-DC) para abordar este problema. Primero, construimos una red de dividir y conquistar basada en gradientes de imagen (IG-DC) que utiliza la división basada en gradientes para separar imágenes degradadas en regiones de procesamiento fácil y difícil. En segundo lugar, modelamos el mapa de incertidumbre epistémica (EUM) de IG-DC utilizando dropout de Monte Carlo y, así, medimos la confianza de salida de IG-DC. Cuanto menor sea la confianza de salida, más difícil será para IG-DC procesar. La división basada en EUM se genera mediante la cuantización de EUM en dos niveles. Finalmente, IG-DC se transforma en un EU-DC sustituyendo la división basada en gradientes por la división basada en EUM. Nuestros experimentos extensos demuestran que el EU-DC propuesto logra un mejor rendimiento de reconstrucción que el de múltiples métodos SISR de vanguardia en términos de calidad tanto cuantitativa como visual.