residualdensenetworkforimagesuper-resolution发表在CVPR 2018上
论文：
https://arxiv.org/abs/1802.08797
代码：
https://github.com/yulunzhang/RDN
3359 github.com/Li zhengwei 1992/residualdensenetwork-py torch
作者将Residual block和Dense block相结合，提出了一种RDN(residualdensenetwork )网络结构。 作者认为，网络主要由RDB ) residualdenseblock )网络构成，利用RDB构建的rdn网络可以充分利用每个卷积层提取的信息
Residual Dense block与以前工作的Residual block和Dense block的结构比较如下：
独立传感器网络(rdn )主要由四个组成部分组成。
1.shallowfeatureextractionnet (SF enet )网络的前两个卷积层用于提取浅层特征。
2 .冗余块(RDB ) RDB模块主要集成了残差模块residual block和denseblock模块，将两者结合形成了residual dense block。
Contiguous memory显示将利用Fd-1、Fd、1、Fd、c-1的所有特征。
Local feature fusion表示concat后的1*1卷积操作，该操作有助于训练增长率更大的RDB模块。
局部现实学习表明融合了Fd-1与Fd、LF的特点，该操作有助于提高模型的表达能力。
3.densefeaturefusion(dff )包括全局特征功能和全局重构学习。
全球特征功能表示利用F 1、F 2……F D的特征。
全局就绪学习表示F -1和F GF的加法和操作。 与RDB相似。
4 .上采样网(上网)网络的最后上采样卷积操作。 实现了输入图像的放大操作，使用PixelShuffle进行了上采样。
总结实验结果表明，RDN对不同退化模型得到的LR图像进行超分辨具有较好的实验效果。
RDB结合了Residual Block和DenseBlock的思想进行了改进，网络的细节做得很好。
cxdtn的网络体系结构描述、各网络组成的数学表达、与相关相似工作的比较、论文的写作方式和语言描述都值得学习。