MSRN: Multi-scale Residual Network for Image Super-Resolution（多尺度殘差網絡）
網絡結構：
網絡結構分成兩個部分，一是特徵提取部分，二是重建部分。這篇文章讀的比較懂，所以可以多說一點。
(i) 特徵提取部分分成兩個部分，一是多尺度殘差塊(MSRB)，二是前面的M0，M0是MSRB之前的部分。
(ii) 第一層卷積M0是用做初步的特徵提取。
(iii) 之後的M1到Mn的內部結構是一模一樣的。文中最重要的部分在這裏，就是多尺度的概念，這裏的多尺度指的是卷積核大小。
(iv) 接下來，到了特徵提取和重建中間的部分，在這裏，將之前所有多尺度殘差塊的輸出以及M0都“排隊”到這裏。
(v) 然後，用了通道壓縮的函數，將之前“排隊”得到的結果壓縮成我們想要的數量，這裏的數量和我們想要重建圖像的大小有關係。
(vi) 最後，使用pixel shuffle(ESPCN)裏的技術將圖像擴大尺寸，在經過一個卷積層，得到最後的重建圖像。
多尺度殘差塊(MSRB)
Multi-scale
這裏需要講一下卷積核的作用，卷積核也就是在圖像中的“濾波”。圖像中的濾波在做卷積運算的時候，能夠實現對圖像特徵的提取。而不同大小的卷積核能夠提取到的圖像特徵是不同的，所以在同一個網絡中使用兩種卷積核，那麼不同的特徵就能夠在一個網絡中得到，進而實現圖片更高超分辨率的要求。
MSRB
這裏我們講一下n=1的情況，這裏的輸入是經過第一層的M0，分成兩個部分，一邊是3x3的卷積核，另一邊是5x5的卷積核。通過之後，將兩部分的輸出串(concat)在一起，特徵圖的通道數是之前的兩倍。而這裏作爲後部分的輸入，和之前一樣，再做一遍。之後得到的通道數是開始的4倍，要想實現殘差的操作，必須將通道數變成和開始的輸入一樣。所以後面的1x1的卷積覈實現的是將特徵圖的通道數壓縮，最後再加上殘差的操作。輸出的是M1
![S_{2}=\sigma (w^{2}_{3\times 3}\ast [S_{1},P_{1}]+b^{2})](https://pic1.xuehuaimg.com/proxy/csdn/https://private.codecogs.com/gif.latex?S_%7B2%7D%3D%5Csigma%20%28w%5E%7B2%7D_%7B3%5Ctimes%203%7D%5Cast%20%5BS_%7B1%7D%2CP_%7B1%7D%5D+b%5E%7B2%7D%29)
![P_{2}=\sigma (w^{2}_{5\times 5}\ast [P_{1},S_{1}]+b^{2})](https://pic1.xuehuaimg.com/proxy/csdn/https://private.codecogs.com/gif.latex?P_%7B2%7D%3D%5Csigma%20%28w%5E%7B2%7D_%7B5%5Ctimes%205%7D%5Cast%20%5BP_%7B1%7D%2CS_%7B1%7D%5D+b%5E%7B2%7D%29)
![{S}'=w^{3}_{1\times 1}\ast [S_{2},P_{2}]+b^{3}](https://pic1.xuehuaimg.com/proxy/csdn/https://private.codecogs.com/gif.latex?%7BS%7D%27%3Dw%5E%7B3%7D_%7B1%5Ctimes%201%7D%5Cast%20%5BS_%7B2%7D%2CP_%7B2%7D%5D+b%5E%7B3%7D)
重建部分
重建部分有很多種情況
這裏將重建部分設計的比較簡單，將之前的A.B.C部分進行簡化，得到最後的結果。這裏在我看來沒有什麼新意，就是將一些沒什麼用的部分剔除掉了。
實驗細節：
使用DIV2K數據集，然後再加上旋轉，翻轉之類的操作來增加訓練的數據集。然後將圖片轉成YCbCr通道，然後再將Y通道的圖片提取出來，作爲訓練的數據集。
由於實驗室的硬件條件，我這裏實現不了900張數據庫，所以就只使用291張的圖片，再做數據的增強，目前結果還沒有出，出了之後，會公佈在這裏。
另外文中也實現了圖像的去噪和去霧的實驗，展現了MSRB特徵提取能力。
如果有錯誤，希望批評指正。
我會隨時補充的。