ECCV2018超分辨率CARN：Fast, Accurate, and Lightweight Super-Resolution with Cascading Residual Network

本文提出一种轻量级级联残差网络，速度快，性能也还不错。

提出问题

尽管深度学习方法提高了SR图像的质量，但速度慢，并不适用于真实场景。从这个角度来看，设计适合实际应用的轻量级深度学习模型非常重要。
一种方法是减少参数的数量，实现这一目标的方法有很多，但最简单和有效的方法是使用递归网络。例如，DRCN使用递归网络来减少冗余参数，而DRRN通过向DRCN添加残差体系结构来改进DRCN。与标准CNN相比，这些模型有效地减少了模型参数的数量，表现出良好的性能。
然而，这些模型有两个缺点：
（1）在将输入图像输入CNN模型之前，先对其进行上采样；
（2）增加网络的深度或宽度，以补偿由于使用递归网络而造成的损失。这些点使模型能够在重构时维持图像的细节，但增加了操作次数和时间。

解决方法

提出了一种级联剩余网络(CARN)及其变体移动网络(CARN-M)。
模型的中间部分是基于ResNet设计，除此之外，还在局部和全局级别使用级联机制来集成来自多个层的特性，这可以反映不同级别的输入表示，以便接收更多信息。除了CARN模型，我们还提供了CARN- m模型，性能稍有下降，但是速度更快。
关于轻量级网络文献：
（1）Deep compression: Compressing deep neural networks with pruning, trained quantization and huffman coding.
（2）Squeezenet: Alexnet-level accuracy wi