看了眼作者，Jia-Bin Huang是傳統演算法領域（呃，自從深度學習出來後，我就將之前的演算法都算傳統方法了）的超解析度學習的專家大牛。
然而有意思的是，這篇論文結合了傳統演算法laplacian pyramid 和 CNN網路，這也給我們這些研究者一些思路，可以通過結合經典演算法和深度學習作為insight。打個比方，最近KaiMing大神指導的一篇文章：《Non-local Neural Networks 》則將非區域性演算法融入到深度學習中。
值得惋惜的是，好多人上來就直接研究深度學習，對自己領域的傳統演算法知之甚少。

LapSRN有兩個版本（CVPR版本和期刊版本）。廢話不多說，直接進入主題。下面是對期刊論文的LapSRN

Insight

1. 本文是通過將低解析度影象直接作為輸入到網路中，通過逐級放大，在減少計算量的同時，也有效的提高了精度
2. 提出了一種魯棒的loss function, robust Charbonnier loss function.
3. 對各個金字塔的level之間和每個level之內，通過recursive進行引數共享

Detail:

網路結構：

一、Network architecture
1. Feature extraction branch
通過stack convolution來獲取非線性特徵對映
2. Image reconstruction branch

引數共享
本文網路在兩個地方進行引數共享，減少了引數量
1. 在各個pyramid level之間引數共享， 稱之為Recursive block

因為laplacian pyramid是在x2的基礎上得到x4，由於各個level中的結構相似性，因此在各個level，引數得以共享
形式如下：

2. 每個pyramid level之中引數共享

inspired DRCN and DRRN，作者在每個pyramid level中進行引數共享，如下圖

整個網路深度為：depth = (D x R + 1) x L + 2

二、Local residual learning
為了解決梯度彌散問題，作者在各個recursive block上採取了local residual learning。在本文中，作者探究了三種方法來stabilize訓練過程：
1. No skip connection
該種方法在之後的實驗中稱之為： LapSRN（NS）
2. Distinct-source skip connection
該種方法在之後的實驗中稱之為： LapSRN（DS）
3. Shared-source skip connection
該種方法在之後的實驗中稱之為： LapSRN（SS）

實驗證明LapSRN(ss)更work一些

三、Loss function

本文認為相同的LR patch 可能有多種corresponding HR patches，而L2範數並不能capture the underlying multi-modal distributions of HR patches. 因此L2範數重建出的影象往往過平滑

本文提出了一種抗噪性強的loss functions：

Experiments:

D,R關係， D為每個pyramid中的conv數，R為迴圈次數

各個超解析度演算法引數細節：

各個超解析度演算法實驗結果：