Las Redes Neuronales Convolucionales (CNN) han llevado a un rendimiento prometedor en superresolución (SR). La mayoría de los métodos de SR se entrenan y evalúan en conjuntos de datos de núcleos de desenfoque predefinidos (por ejemplo, bicúbico). Sin embargo, el núcleo de desenfoque de una imagen LR del mundo real es mucho más complejo. Por lo tanto, el modelo de SR entrenado con datos simulados se vuelve menos efectivo cuando se aplica a escenarios reales. En este artículo, proponemos un nuevo marco de superresolución basado en la estimación del núcleo de desenfoque y un mecanismo de atención dual. Nuestra red aprende las relaciones internas de la imagen de entrada, por lo que la red puede adaptarse rápidamente a cualquier imagen de entrada. Agregamos la estructura de estimación del núcleo de desenfoque a la red, corrigiendo el núcleo de desenfoque inexacto para generar imágenes de alta calidad. Mientras tanto, proponemos un mecanismo de atención dual para restaurar los detalles de textura de la imagen, ajustando de manera adaptativa las características de la imagen al considerar las interdependencias tanto en el canal como en el espacio. La combinación de la estimación del núcleo de desenfoque y el mecanismo de atención hace que nuestra red funcione bien para imágenes con desenfoque complejo en la práctica. Experimentos extensivos muestran que nuestro método (KASR) logra una precisión prometedora y mejoras visuales en comparación con la mayoría de los métodos existentes.