期刊论文：
https://arxiv.org/abs/1710.01992
会议论文CVPR2017：
http://vllab.ucmerced.edu/wlai24/LapSRN/papers/cvpr17_LapSRN.pdf
项目主页：http://vllab.ucmerced.edu/wlai24/LapSRN/
看了眼作者，Jia-Bin Huang是传统算法领域（呃，自从深度学习出来后，我就将之前的算法都算传统方法了）的超分辨率学习的专家大牛。
然而有意思的是，这篇论文结合了传统算法laplacian pyramid 和 CNN网络，这也给我们这些研究者一些思路，可以通过结合经典算法和深度学习作为insight。打个比方，最近KaiMing大神指导的一篇文章：《Non-local Neural Networks 》则将非局部算法融入到深度学习中。
值得惋惜的是，好多人上来就直接研究深度学习，对自己领域的传统算法知之甚少。
LapSRN有两个版本（CVPR版本和期刊版本）。废话不多说，直接进入主题。下面是对期刊论文的LapSRN做简要理解。
Insight
- 本文是通过将低分辨率图像直接作为输入到网络中，通过逐级放大，在减少计算量的同时，也有效的提高了精度
- 提出了一种鲁棒的loss function, robust Charbonnier loss function.
- 对各个金字塔的level之间和每个level之内，通过recursive进行参数共享
Detail:
网络结构：
一、Network architecture
1. Feature extraction branch
通过stack convolution来获取非线性特征映射
2. Image reconstruction branch
在每一个pyramid level，最后加上deconv来提升图像的2x分辨率
参数共享
本文网络在两个地方进行参数共享，减少了参数量
1. 在各个pyramid level之间参数共享， 称之为Recursive block
因为laplacian pyramid是在x2的基础上得到x4，由于各个level中的结构相似性，因此在各个level，参数得以共享
形式如下：
2. 每个pyramid level之中参数共享
inspired DRCN and DRRN，作者在每个pyramid level中进行参数共享，如下图
整个网络深度为：depth = (D x R + 1) x L + 2
也因此会出现了两个超参数 D，R
二、Local residual learning
为了解决梯度弥散问题，作者在各个recursive block上采取了local residual learning。在本文中，作者探究了三种方法来stabilize训练过程：
1. No skip connection
该种方法在之后的实验中称之为： LapSRN（NS）
2. Distinct-source skip connection
该种方法在之后的实验中称之为： LapSRN（DS）
3. Shared-source skip connection
该种方法在之后的实验中称之为： LapSRN（SS）
实验证明LapSRN(ss)更work一些
三、Loss function
本文认为相同的LR patch 可能有多种corresponding HR patches，而L2范数并不能capture the underlying multi-modal distributions of HR patches. 因此L2范数重建出的图像往往过平滑
本文提出了一种抗噪性强的loss functions：
Experiments:
D,R关系， D为每个pyramid中的conv数，R为循环次数
各个超分辨率算法参数细节：
各个超分辨率算法实验结果：
