ECCV2018超分辨率MSRN：Multi-scale Residual Network for Image Super-Resolution

这篇文章主要创新点是：使用多尺度残差块充分提取图片特征

问题

（1）目前的研究倾向于使用更深层次的卷积神经网络来提高性能。但是随着网络深度的增加，训练过程中出现的问题越来越多，需要更多的训练技巧。导致很多方法难以复现；
（2）特征利用不足，随着网络深度的增加，特征在传输过程中逐渐消失。如何充分利用这些特征，是网络重建高质量图像的关键；
（3）可扩展性差；

贡献

提出了一种新的多尺度残差网络(MSRN)来充分利用图像的特征：
（1）使用MSRB来获取不同尺度的图像特征（局部多尺度特征）。
（2）将每个MSRB的输出组合起来进行全局特征融合（HFFS，一个以1×1卷积核为瓶颈层）。
将局部多尺度特征与全局特征相结合，最大限度地利用LR图像特征，彻底解决特征在传输过程中消失的问题。
还设计了一个简单而高效重建结构可以很容易地实现多尺度的放大。

网络架构

网络分为（1）特征提取部分；（2）重建部分
特征提取部分又分为：（1）多尺度残差块(MSRB)；（2）层次特征融合结构(HFFS)
损失函数采用L1损失。