提出SRCNN问题
- context未充分利用
- Convergence 慢
- Scale Factor 训练指定fator的模型再重新训练其他fator的模型低效
context
对于更大的scale-fator 需要更大的receptive-field(接受域，也就是过滤器),如果接受域学习了这张图像模式，也就能把这张图像重建成超分辨率图像，所以网络第一层是过滤器是 3 x 3 *64
往后每层的filter 大小为 （2D+1,2D+1），D为网络层数，第一层与最后一层的大小相同。
论文指出中央像素受周围像素所约束，所以类似SRCNN等crop的方法，将会导致边界信息不能很好的被周围像素推断，而作者则对input进行的padding再送入网络，这样也使得网络输出与输入相同。
（这里与SRCNN另外一个预处理方式不同的就是crop时不crop重叠部分）
Convergence
一张高分辨图片包含了低频信息（低分辨率图片）与高频信息（残差图像与图像细节）
论文指出SRCNN收敛慢的原因可能是SRCNN重建HR（重建高频信息）图像时重建了低频信息与高频信息，重建低频信息的过程类似自编码器，而本文则直接重建高频信息（残差图像与图像细节）
设 x 为 低分辨率图像， y 为高分辨率图像 则 f(x) 为预测的 y 值，使用均方差损失函数
因为输入与预测输出有很大相似，所以定义 r = y - x ，则损失函数 为：
为了提高收敛速率，作者将学习速率初始化为 0.1 往后每20个epchos 降低 10倍，还使用了梯度剪枝
Single-Scale
大部分模型由指定的fator训练，对于特定的fator就重新训练，这很低效，作者把一个minibatch由不同缩放因子的64个sub-image组成放入网络训练，
训练结果证明了由特定fator训练的模型再更大的fator上测试性能不佳，而由多个fator上处理再训练的模型，性能超过Bicubic
模型预处理方式与SRCNN大部分相同：bicubic先下采样，后上采样作为输入图像