189、高效超分：DRRN的递归残差网络与参数共享机制深度剖析去年有个项目，甲方要求把监控视频里的车牌从48x48放大到192x192，还要能看清数字。我一开始上了个20层的残差网络，参数量直接飙到3M，训练一次要跑两天，结果在边缘设备上推理速度惨不忍睹。后来翻到DRRN这篇论文，发现人家用递归结构把参数量压到了297K，效果还比我那个笨重网络好。今天就把这个“小模型大能力”的机制掰开揉碎讲清楚。从VDSR到DRRN：参数爆炸的困境先说说VDSR。VDSR用了20个卷积层，每个层64个通道，参数量大约在0.6M左右。看起来不多？但你要知道，超分网络里每个卷积层后面都跟着ReLU，梯度在20层里来回传，训练时经常出现梯度消失——我调了三天学习率才稳住。更致命的是，VDSR每个卷积层都是独立的权重，20层就是20组3x3x64x64的卷积核，这还没算bias。DRRN的聪明之处在于：它只保留一组卷积核，然后反复用这组核去处理特征图。就像你只有一把螺丝刀，但可以反复拧不同位置的螺丝。这种参数共享机制直接把参数量砍到了VDSR的一半以下。递归残差单元：一个被重复调用的“函数”DRRN的核心是递归残差单元（Recursive Residual Unit，RRU）。别被名字吓到，本质上就是个带残差连接的卷积块。我习惯把它理解成一个可微分的函数f(x)，这个函数内部包含两个卷积层和两个ReLU，外加一个跳跃连接。