这是2019 CVPR一篇做超分辨的论文，这里简要介绍一下它的思想。
论文的核心思想是引入一个共享权重的反馈模块，这个模块是recurrent的，同时引入课程学习的方法使得其可以用于处理不同的任务，回传原理如下图所示：
直接前向传递模块的弊端是前面的层无法直接利用后面层的信息。而这篇论文提出的SRFBN是一个RNN和一个FB模块组成，FB的原理是coarse的SR图像可以帮助LR图像去获得更好的SR图像。FB的输出是RNN的一个隐藏状态，同时对每次迭代施加loss促使隐藏状态学习到HR图像的特征。所以通过这个方式，使得高级信息可以回传给低级信息，帮助低级信息更好的refine。所以论文的三个conrtribution:1.回传机制。2.FB模块，帮助更好的高级信息表达。3.课程学习，适用于各种任务。网络结构图如下所示：
Network structure
网络结构是先通过一个LRFB去提取低级特征，然后通过FB模块和上一个迭代里FB输出的特征结合，最后FB的输出通过重建模块输出残差和输入的上采样相加，得到本轮迭代的最后输出，过程如下：
Feedback block
这一步没啥好说的，基本是借鉴了DBPN的思路，结构图如下，将HR下采样得到LR，然后再上采样得到HR,将所有的HR concat，LR concat，输入是上一个FB输出和当前低级特征的concat，输出是最后LR特征concat的通道变换。
过程如下所示：
Curriculum learning strategy
这里使用L1 loss,对于多任务，每次迭代输出比对的SR图像根据任务不同而不同，对于简单的bicubic，它们是一样的，对于其他多任务，SR图像一开始是部分降质的，其后变成原始真值。W决定每个阶段的权重。
实验结果见论文。