超分辨率重构四---DRCN

DRCN（Deeply-Recursive Convolutional Network for Image Super-Resolution）阅读笔记
1、论文地址：https://arxiv.org/abs/1511.04491
2、github上的tensorflow代码：https://github.com/nullhty/DRCN_Tensorflow
3、论文介绍
3.1、提出的问题
在超分任务中，为了提高感受野的范围，一般通过增加卷积层的数量来达到，作者提出也会带来两个问题。

• 过拟合很有可能发生，所以就需要有更多的数据；
• 模型变大导致在保持和恢复模型的时候比较费时间和空间

3.2、提出解决的方法
  为了解决上述两个问题，作者提出了一个新的方法------深度循环卷积神经网络（DRCN）,该网络可以按照你所需要的重复的利用相同的卷积层。但是当你在增加卷积层的数量的时候参数的数量并不会增加。
  由于梯度消失和梯度爆炸的问题，导致模型不是那么容易收敛，作者针对这个问题提出了两个解决办法。

• 监督所有的循坏层------对于每一个循环层都进行重构，最后按照权重将所有的重构结果相加得到最后的重构结果。
• 跳跃连接------将输入信息添加到重构层。

3.3、DRCN