CVPR2016
神经网络学习非线性关系的灵活性对于处理SR问题很合适。
1.文章想要解决的问题
如果在在网络之前通过插值的方法将LR图像上采样有两个缺点：一是计算复杂度；二是插值算法通常不会引入用于解决不适定重建问题的额外信息。而转置卷积进行上采样不过是插值方法的特殊情况。
2.解决的方法
通过在最后一层引入efficient sub-pixel convolution layer来进行upscaling操作。这样做有两个好处：1.降低计算复杂度；2.以可学习的filter取代固定插值filter，而且这有利于更明确地从LR图像中学习。
1.这篇论文的主要假设是什么？（在什么情况下是有效的），这假设在现实中有多容易成立
LR图像是HR图像经过模糊（低通滤波器），下采样，加噪处理后的图像。
多数的高频信息是冗余的，因此可以通过低频部分准确地重建
2.在这些假设下，这篇论文有什么好处
1.由于输入神经网络的是LR图像，因此各层在LR空间进行。计算复杂度得到了大幅优化
2.可以学得的多个放大滤波器，而不是仅仅一个。重建精读更高。
3.这些好处主要表现在哪些公式的哪些项目的简化上。
将计算复杂度公式中的$S_{HR}$简化为$S_{LR}$
4.这一派的主要缺点有哪些