DBPN-Deep Back-Projection Networks For Super-Resolution
NTIRE2018比赛中8倍的bicubic第一名，PIRM2018比赛中Region 2的第一名
主要是采用了误差反馈机制，类似于在每个深度下做CycleGAN
以上采样单位为例：
输入低分辨率image，经过Deconv上采样得到H0，H0经过Conv得到L 大小的L0，计算输入低分辨率图像与通过Deconv-Conv生成的低分辨率图像之间的误差，将误差输入Deconv上采样得到误差的高分辨率大小图像，将输入L_image通过Deconv生成的H0与误差生成的H1相加得到H。
针对四种超分辨率网络结构做了对比说明
先插值：代表有SRCNN VDSR DRRN，缺点是插值过程引入噪声
一次插值：FSRCNN ESPCN 网络容量有限，无法进行复杂学习如EDSR，需要每层有大量filter 训练时间长，大部分网络结构都采用该种方法
逐步插值：LapSR 效果比较好，但是参数多
交替上下采样：DBPN 提高不同深度采样率，在各阶段计算重构误差，轻量级是重点。
DBPN也采用了稠密连接
网络结构介绍到这里
在损失函数上，应该是比赛产物吧损失函数只计算了MSE，简单粗暴。论文中也介绍可以用对抗损失 感知损失 就是没用。