这是2018年ECCV的一篇论文，是进行快速图像超分辨的，本身不算有太多创新，这里简要学习一下基本思想以供以后备用。
该论文网络设计的核心思路是减少网络中的参数量从而减少计算量和模型大小，同时结合全局的和局部的多级特征提高表现力。实现这些主要借助residual-E模块和递归网络结构。
下图是论文网络CARN的结构示意图，体现的是全局的级联特点。可以看到中间层的输出直接和更高层的直接级联，最后汇聚在一个1x1的卷积层。而局部的级联则存在于图中的级联模块内。使用这个结构有两个好处：1.这个模型可以包含多层的特征，从而获得多个级别的特征表示。2.多级级联里的许多级别的short连接可以迅速的将信息从低层传到高层，从而帮助网络选择正确的信息传递路径。
对于每个级联模块里采用residual-E模块，如下图（b）所示，这个模块类似于mobienet的结构，但是使用的是group卷积，优点是使用者可以通过调整分组数来调整网络的速度和效果。而为了进一步减少网络参数，这里引入了递归神经网络的思想，这里是让级联模块的参数能够被共享,从而达到减少参数的目的，如（d）所示。
结果这里不再赘述。