DRRN超分辨率

论文全名：Image Super-Resolution via Deep Recursive Residual Network

下载地址：http://pan.baidu.com/s/1hsQk8j6

code：https://github.com/tyshiwo/DRRN_CVPR17

这是一篇CVPR2017的关于图像超分辨率的文章，相较于VDSR取得了更好的结果，从结构上看，还是之前的基调，更深的网络结构（52层），同时采取了递归操作，递归模块中存在权重共享，减少了模型的参数，取得了较好的成果

创新点：

1.更深的网络层次，其实最近的关于图像超分辨率的论文都是一个基调，越深越好，不过深度增加的网络对梯度传播带来困难，最近的论文如VDSR，DRCN，LapSRN都采取了相关的解决措施，当然，此篇论文采取的是VDSR的调整梯度裁剪 加 DRCN的递归学习

2.递归学习，其实这不算是一个创新点，无论是DRCN还是ResNet都有递归模块，不过此篇的递归模块更接近于DRCN，递归模块中权重共享减少了模型所需要的参数，从而保证不发生梯度爆炸或者梯度消失

3.残差学习，残差学习可以算是图像超清方面的一个很好的学习策略，由于低分辨率图片与高分辨率图片在图片信息上有很多地方是共享的，于是，可以只学习低分辨率与高分辨率之间的差别也就是残差，并将残差与低分辨率做element-wise也就是矩阵相加，从而得到高清结果，学习残差的好处就是 对网络的参数要求低，网络不需要记忆太多的图片细节，从而有利于梯度传输，防止梯度消失或者梯度爆炸

网络结构示意图：

可以看到，递归模块是在重复使用的，并且，递归模块中存在权重共享，在下图中已经标识出来，所谓的权重共享就是，第一个绿色的conv层训练后，在给第二个绿色的conv层训练前，该层的参数值和第一个训练后的值一样，第二个绿色conv层训练后参数更新，网络中所有的绿色conv层参数全部更新并且保持一致

通过这个递归和权重共享的trick，网络层次加深至52层，训练的结果相对于VDSR有了提高

总的来说，其实就是下面这个图

以上就是该篇论文的内容，不过该论文在提升层数至52层，相较于VDSR的20层，效果虽然有提升，其实幅度并不大，相比较于同期的2017CVPR的LapSRN，确实感觉不是很好，网络的结果有待优化，同时，每个递归单元简单的包含2个conv层确实有些不足