超分辨率——Distilling with residual network for singe image super resolution

2019 ICME CCF B类会议

这篇文章 针对当前应用residual网络的模型中，参数太多，训练不够稳定，因此，提出distilling residual block像以往的一样，首先介绍下论文布局：

• Abstract
• Introduction
• Distilling with residual networt
  1. Network Architecture
  2. Residual Disting Group
  3. Residual Disting block
  4. Image Reconstruction
  5. Loss Function)
• Experimetn Result
  1. Implementation Details
  2. Datasets
  3. Comparision with state-of-the-arts
• Conclusion

通过以上的结构，能看出来，首先介绍整体框架：

其次，介绍残差group：

最后介绍，残差block，

所以，这里解释，input经过卷积层产生两个分支，一个与input相加啊，另外一个和相加后的结果cat，（结束）学好讲故事的能力

思考

参考资料：https://blog.youkuaiyun.com/u012193416/article/details/79479935
这篇文章，提出的block，最主要就是resnet和desnet区别，也就是特征层add还是cat问题，但是文章里面也没有详细说这个，查阅资料，是这样说的，add是feature特征量的增加，有利于分类，而dense是特征数的增加，至于哪个有利于超分辨率重建，也说不清，实际效果是王道！！！

2019/7/30