目的 ​ 尽管其他深度网络再进行SR时取得了优异的性能，但深度网络需要大量的参数。与紧凑模型相比，大型模型需要更多的存储空间，对移动系统的适用性较差，作者创造DRRN取得更好的性能，并且比VDSR，DRCN，RED30等网络所需要的参数更加少。 DRRN在算法上的创新 在DRRN中引入了global learning和residual learning ​ 在视觉识别和图像恢复等领域中，如

DRRN 网络结构参考博客 这是一篇CVPR2017的关于图像超分辨率的文章，相较于VDSR取得了更好的结果，从结构上看，还是之前的基调，更深的网络结构（52层），同时采取了递归操作，递归模块中存在权重共享，减少了模型的参数，取得了较好的成果。 创新点： 更深的网络层次，不过深度增加的网络对梯度传播带来困难，此篇论文采取的是VDSR的调整梯度裁剪加DRCN的递归学习； 递归