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 with 50x fewer parameters and 0.5 mb model size.论文构建一个基于alexnet的体系结构，使用50×更少的参数就可以达到类似的性能水平。
（3）Mobilenets: Efficient convolutional neural networks for mobile vision applications
应用深度可分卷积建立高效的网络（出自Rigid-motion scattering for image classification这篇文章）
网络架构
可以看到，CARN就是把Resnet的残差块变成了级联残差网络。
在resnet基础上增加局部和全局的级联模块，中间层的输出被级联到更高的层，卷积采用same卷积，方便特征层之间的级联，最后收敛到单个1 x1卷积层。
它具有以下三个特征：
- 全局和局部级联连接
- 中间特征是级联的，且被组合在1×1大小的卷积块中
- 使多级表示和快捷连接，让信息传递更高效
然而，多级表示的优势被限制在了每个本地级联模块内部，比如在快捷连接上的1×1卷积这样的乘法操作可能会阻碍信息的传递，所以认为性能会下降也在情理之中。
高效的CARN
为了提升CARN的效率，作者提出了一种残差-E模块。
这种方法和MobileNet类似，但是深度卷积被替换为了分组卷积。因为分组卷积中间必然有trade-off，因此在用户可以选择合适的分组大小。
为了进一步降低参数，论文中用到了一种与递归神经网络相似的技巧，就是将级联模块的参数共享，让模块高效递归。
疑问
如何理解shared和递归？