这篇文章在超分辨率中应该算是一种标杆类的算法，虽然Recursive-Convolution Network在图像上的应用并不是由这篇文章率先提出，但在超分辨率处理中应该是第一篇。
首先简单介绍下网络模型，作者将该网络分成3个subnet，Embedding network， Inference Network和Reconstruction Network。
Embeding Net
Embeding Net主要是将输入图像转成一系列的feature map表示，相当于SRCNN和稀疏编码算法中的特征提取过程。该子网络主要注重提取特征，将其送入Inference Net去恢复低分辨率图像中的miss high-frequency
由图1可以看出，作者为Embeding Net设置了两层，embeding Net的数学描述如下：
Inference Net
Inference Net是这篇文章的重点，主要是处理超分辨率过程的高频细节恢复工作。Inference Net是一个递归的子网络，通过不增加参数数量的情况下，尽量大的增加网络的感受野receptive fields。
像ImageNet那种网络是往往需要比较大的receptive fields去提取特征，常规方法主要有两种，1）增加卷积层（卷积核需大于1x1的），2）增加pool层。 上述两种方法都存在着一些问题，增加卷积层会显著带来参数量的增加；增加pool层，则会较多地丢弃像素信息。
因此本文采用了递归卷积层，每次递归都采用与上次一样的卷积核，因此，在增大感受野的同时，并没有引入额外的参数。Each recursion applies the same convolution followed by a rectified linear unit
这样做的同时，会引入两个麻烦的问题；1）Recursive次数怎么选？如何去选取最优的Recursive次数。2）Recursive次数多了，在反向传播的时候，长链式的梯度会出现两个常见的问题：梯度爆炸和梯度弥散，如何去有效训练该子网络？
关于第一个问题，作者并没有给出明确的解决方法，个人估计是暴力测试。关于第二个问题，作者给出了两种算法去ease这个问题，1）监督递归，每次Recursive后的feature map都会连接到输出。2)skip-connection，由于超分辨率有个特点（图像输入和图像输出在一定程度上是高度相关的，所以将图像输入直接跳跃连接到图像输出）
.
单层的递归过程描述为：
Reconstruction Net
可以看作是Embeding Net的逆过程，类似的，还是由两层卷积层构成。
总过程：
f1为Embed Net, f2为Inference Net, f3为reconstruction Net
结论：