La disminución de la resolución y el desenfoque de movimiento son dos procesos típicos de degradación de imágenes que suelen ser abordados por redes profundas, específicamente redes neuronales convolucionales (CNN). Sin embargo, dado que las imágenes reales suelen obtenerse a través de múltiples degradaciones, la gran mayoría de los métodos actuales de CNN que emplean un solo proceso de degradación inevitablemente necesitan ser mejorados para tener en cuenta múltiples efectos de degradación. En este trabajo, motivados por el desacoplamiento de degradación y la puerta de eliminación de atención de múltiples órdenes, proponemos un modelo conjunto de recuperación profunda para abordar eficientemente el desenfoque de movimiento y la reducción de resolución simultáneamente. Nuestro estilo de desacoplamiento de degradación mejora la continencia y la eficiencia de la construcción y entrenamiento del modelo. Además, el mecanismo de atención de múltiples órdenes propuesto extrae de manera exhaustiva y jerárquica múltiples características de atención y las fusiona adecuadamente mediante la puerta de eliminación. El enfoque propuesto se evalúa utilizando diversos conjuntos de datos de referencia que incluyen imágenes naturales y sintéticas. Los resultados experimentales muestran que nuestro método propuesto puede completar eficientemente el desenfoque de movimiento conjunto y la superresolución de imágenes (SR).