CVPR 2016
1.之前方法存在的问题
SRCNN的缺点：
1.深度不够导致，感受野小。尤其是大尺度变换，从小patch中提取的信息不足以进行高质量重建。
2.收敛慢
3.只能实现单一尺度超分辨
2.这篇文章的改进和优点
1.本结构网络感受野更大。利用了更大区域的上下文信息。
2.残差学习和自适应梯度裁剪使得此模型学习率较高，收敛快，效果也好
另，由于LR和HR图像很大程度上共享信息，所以可以直接对残差图像建模。这应该是这篇文章最牛逼的地方了。LR和HR图像很大程度上是相似的，它们的低频信息相近，所不同的是LR缺少了很多高频信息。即：输出=低分辨输入+学习到的残差，这恰恰和resnet的思想高度吻合！
3.此网络可以满足多scale factor。（训练期间尺度增长）
3.本结构的步骤
1.先将图像插值到目标尺寸，输入网络
2.针对亮度通道，中间进行了20层3*3卷积（使用零填充保持特征图尺寸）
3.输出
4.本文存在的问题
个人存在的疑问在于：单一网络多scale部分
残差学习不得不使得学习率较高