DRCN 利用了recursive layer（up to 16 recursions）。如果增加了recursion depth，但是没有增加parameters的数量，而之前说过网路越深，效果一般越好。但实际上，这种网络不好训练，所以原文提出了recursive-supervision 和 skip-connection缓解训练难的问题。
原文沿用了SRCNN的思想，把network拆分了sub-network：embedding network, inference network, reconstruction netowork。
Embedding network
简单来说就说特征提取层，不管input是grayscale 还是rgb，进来之后提取出多维的feature maps。
inference network
推断层，这一层是作者的trick点，借鉴rnn的感觉，让d个conv层串联，并且很重要的一点，他们权值共享。这样有什么好处那？
第一，网络深度增加，主要是感受野比较大，每经过recursion 一次，卷积视野就增加一次；
第二，权值共享具体点是 w和bias共享，每次conv一次，经过一次relu，这样重复提取特征，相当于不管重复多少次（深度增加多少），参数不变！
第三，recursive-supervision 对于每一层提取的特征进行了梯度反传，DRCN将每一层的卷积结果都通过同一个Reconstruction Net得到一个重建结果，从而共得到D个重建结果，再把它们加权平均得到最终的输出,充分利用网络intermediate的feature maps。
第四，back propagation的时候，回传到各个intermediate layers，使结果比较smooth。
reconstruction net
这个相当于embedding net的逆过程，又把他恢复了grayscale 或者rgb。channel层次。
关于loss
文章依然用的是MSE类似的loss
1. 除去skip conection的，还有中间D个 recursion出来的outputs，所以就把这D+1个结果分成了两部分
N是一个batch的sample数量。
result
作者发现recursion d越大，psnr越高
并且发现如果不是recursion的unit全部连到final output，而是单一的某一层，效果会变差，证明了recursion ensemble的效果