个人感觉这篇论文写的有点莫名其妙，很多地方都没有讲清楚，符号下标也都没有讲清楚。代码也是，全都是按block1，2，3这样来的，可读性奇差。但顶不住表现好啊。
Motivation:
如何重复利用网络的特征图,使得网络的深度不需要特别深也可以得到比较好的效果.一种方式是使用recursive结构,但这种方式计算量大.本文采用另一种方式——稠密连接。
目前的工作只关注了某个scale的特征限制了网络表达能力
本文提出的DRLN利用残差块之间的稠密连接，用拉普拉斯金字塔注意力对不同scale的特征赋予权重。
网络结构
网络分为四个部分：特征提取，cascading over residual on the residual，upsample，重建。重点在于CRIR部分，剩余部分和其他SR网络是一致的。
CRIR
CRIR是一个分层结构，包含多个cascading blocks。每个cascading block包含一个medium skip-connnection（MSC）和级联的特征拼接，由许多个dense residual laplacian module（DRLM）组成。每个DRLM包含一个densely connected residual 单元，压缩单元和拉普拉斯金字塔注意力单元。
没太明白原文里说的MSC什么意思，给的公式符号都没讲清楚，怀疑就是图上标注的SSC部分。图上的SSC部分又没有在原文中提到。实际上这个网络结构和RCAN是一样的，多的地方在于group内部对前面特征的拼接。
Laplacian Attention
这部分和RCAN也基本一样，区别在于中间用了三个不同的空洞卷积，再对他们的特征进行拼接之后进行后续操作。
这里的$D_{f_7}$指一个padding=7，dilation=7的卷积。3个操作最终得到的特征图的尺寸和原图是一样的，但是感受野不同。
实验
进行的实验有：Ablation Study；参数量，运行时间，PSNR和视觉效果与SOTA的比较。在blur degradation，noisy degradation的情况下和SOTA的比较；在真实情况下（指JPEG compression）和SOTA比较。
Bicubic degradation情况下，DRLN在所有数据集所有倍数下都超过SOTA。
