這篇文章在超分辨率中應該算是一種标杆類的算法，雖然Recursive-Convolution Network在圖像上的應用并不是由這篇文章率先提出，但在超分辨率進行中應該是第一篇。
首先簡單介紹下網絡模型，作者将該網絡分成3個subnet，Embedding network， Inference Network和Reconstruction Network。
Embeding Net
Embeding Net主要是将輸入圖像轉成一系列的feature map表示，相當于SRCNN和稀疏編碼算法中的特征提取過程。該子網絡主要注重提取特征，将其送入Inference Net去恢複低分辨率圖像中的miss high-frequency
由圖1可以看出，作者為Embeding Net設定了兩層，embeding Net的數學描述如下：
Inference Net
Inference Net是這篇文章的重點，主要是處理超分辨率過程的高頻細節恢複工作。Inference Net是一個遞歸的子網絡，通過不增加參數數量的情況下，盡量大的增加網絡的感受野receptive fields。
像ImageNet那種網絡是往往需要比較大的receptive fields去提取特征，正常方法主要有兩種，1）增加卷積層（卷積核需大于1x1的），2）增加pool層。 上述兩種方法都存在着一些問題，增加卷積層會顯著帶來參數量的增加；增加pool層，則會較多地丢棄像素資訊。
是以本文采用了遞歸卷積層，每次遞歸都采用與上次一樣的卷積核，是以，在增大感受野的同時，并沒有引入額外的參數。Each recursion applies the same convolution followed by a rectified linear unit
這樣做的同時，會引入兩個麻煩的問題；1）Recursive次數怎麼選？如何去選取最優的Recursive次數。2）Recursive次數多了，在反向傳播的時候，長鍊式的梯度會出現兩個常見的問題：梯度爆炸和梯度彌散，如何去有效訓練該子網絡？
關于第一個問題，作者并沒有給出明确的解決方法，個人估計是暴力測試。關于第二個問題，作者給出了兩種算法去ease這個問題，1）監督遞歸，每次Recursive後的feature map都會連接配接到輸出。2)skip-connection，由于超分辨率有個特點（圖像輸入和圖像輸出在一定程度上是高度相關的，是以将圖像輸入直接跳躍連接配接到圖像輸出）
.
單層的遞歸過程描述為：
Reconstruction Net
可以看作是Embeding Net的逆過程，類似的，還是由兩層卷積層構成。
總過程：
f1為Embed Net, f2為Inference Net, f3為reconstruction Net
結論：