近年来，深度卷积神经网络（CNN）在单图像超分辨率重建（SISR）领域取得了前所未有的成功。然而，现有的基于CNN的SISR方法大多假设低分辨率（LR）图像是从高分辨率（HR）图像通过双三次降采样得到的，因此当实际退化过程不符合这一假设时，这些方法的表现往往不尽如人意。此外，它们在学习单一模型以非盲处理多种退化方面缺乏可扩展性。为了解决这些问题，我们提出了一种具有维度扩展策略的通用框架，该框架使得单一卷积超分辨率网络能够将SISR退化过程中的两个关键因素——模糊核和噪声水平——作为输入。因此，该超分辨率重建器可以处理多种甚至空间变化的退化情况，显著提高了其实用性。大量的实验结果表明，所提出的卷积超分辨率网络不仅能够在多种退化情况下产生令人满意的结果，而且计算效率高，为实际SISR应用提供了一种高效且可扩展的解决方案。