Fast and Accurate Single Image Super-Resolution via Information Distillation Network CVPR2018
github(caffe): https://github.com/Zheng222/IDN-Caffe
網絡結構以特徵提取塊、多個信息蒸餾塊（progressively distill residual information）和重建塊組成，其中主要創點是信息蒸餾塊。
將增強單元（ mixes together two different types of features ）（ comprises two shallow convolutional networks）+壓縮單元（distills more useful information for the sequential blocks）結合 （ the local long and short-path features can be effectively extracted）。
輕量級參數和計算量
爲了得到HR image，將學習得到的殘差image+upsampled LR image,就是學習的是殘差，重建的是殘差圖。（和RED DRRN類似）
下面主要介紹信息蒸餾塊：
增強單元
上圖爲增強單元，包含兩個淺層的卷積網絡，前三層（第一層網絡）提取局部短途short path 特徵（因網絡層數淺），先把淺層的局部特徵傳遞給另一個模塊。
第二層網絡提取的特徵爲局部長途long path特徵
將特徵映射分爲兩部分（保留的short path特徵和增強的short path特徵）應該就是圖中S分支（未完需補充，S C是什麼，怎麼操作的）
將短路徑特徵與長路徑特徵結合，提高網絡表達能力。
壓縮單元：採用簡單的卷積層壓縮增強單元特徵中冗餘（就是一層卷積層，特徵提取一下）
總結來說：增強單元儘可能多的收集信息，壓縮單元儘可能的蒸餾有用的信息。
（未完待續）