借助于高分辨率图像提升低分辨率图像的识别性能。
论文地址：https://arxiv.org/pdf/1908.10027v1.pdf
目前无开源代码
创新点：
1、在模型上在胶囊网络的基础上添加了卷积层，可进行很低分辨率图像的识别；
2、提出了两个损失函数指导VLR（very low resolution）图像识别模型；
3、实验验证了模型的优点。
创新点分析：
图1
1、第一个创新点分析
如图1 所示，该网路前面是capsule网络，后面加了3个全连接层，这3个全连接层也叫作 reconstruction module，其作用是在网络中编码实例参数参数，从而能解释输入图像，也即重建输入。
2、第二个创新点分析
HR-anchor loss，其公式为
，rxc 是一个二值变量，当输入样本是高分辨图片时，取值1，当输入是低分率图像时，取值为0,。两个Ac都表示类别c的HR-anchor，某个类别的HR-anchor是高分辨率样本中属于该类别的平均特征向量，第一个带空白的Ac 是一个恒定状态，（高分辨率样本中计算得到的），fxc 是卷积特征，两者相减表示此时低分辨部分被激活，且fxc会更加逼近第一个Ac，如图1所示。第二个Ac是参数，当输入高分辨率图像时，第二部分被激活，fxc和高分辨率特征图的anchor都会被更新。如此，使低分率图特征更加逼近高分辨率特征，学习到更具有分辨性的特征。
targed reconstruction loss，其公式为
，函数g()表示的是重建网络，即创新点1，因为认为高分辨图像和其对应的低分辨率图像的实例参数应该类似，所以提出了该损失函数，xc是类别为c的输入图像x，vcxc是对输入为xc的胶囊分类的第c类输出。在输入高分辨率图像时，xc处被替换为hrxc，表示对应的高分辨率输入图像。
补充
整个网络的损失函数为
，其中第一项是margin loss ，有论文有类似的用法，不再解释了，它的目的是增加类内的相似性，减少类间的相似性。K是总类别数。