论文的出发点很奇怪，并不认同，等代码开源了再细看一下吧！
引言：
本文首先讨论了尺度不变性对于其他视觉任务中的提升作用，随机尺度数据增广，多尺度测试等措施对分类检测等任务有着明显提升，但是对于超分等低阶的视觉任务却会带来更差的表现（这个结论如何得出的，表示异议！）。因此提出了个问题：是不是图像复原不需要尺度不变性？
在本文中，作者证明了适当地将尺度不变性建模成卷积神经网络可以为图像复原任务带来显著的增益。具体为：从移位不变性的空间方向卷积中得到灵感，提出了“尺度方向卷积”，该卷积设计用于在多个尺度之间进行卷积以实现尺度不变性。在我们的尺度卷积网络(SCN)中，我们首先将输入图像映射到特征空间，然后通过双线性降尺度逐步构建特征金字塔表示。然后，将特征金字塔传递给带有尺度卷积的残差网络。为了在多个尺度上利用上下文信息，提出的按比例卷积学习动态激活和聚合每个剩余构建块中的不同输入尺度的特征。
创新点：
1.Scale-wise Convolution
如上图所示，输入为一个多尺度的特征金字塔，经过Scale-wise Convolution可以获得一个同样多尺度的输出，卷积公式为：
直白的意思就是：下一层某个尺度的输出由上一层相邻几个尺度的特征融合得到，尺度上的卷积充当一个滑动窗口，沿尺度维度执行相同的转换。这种卷积运算旨在以紧凑的方式从多个尺度的特征中提取信息，并且能够比单纯的多尺度或单尺度网络更好地捕获尺度不变性，我们的实验将会证明这一点。
文中还对特征金字塔的生成方式进行了讨论：
(1) 卷积和反卷积;
(2) 平均池下采样和最近邻上采样;
(3)双线性重采样(下采样和上采样)。
结论：相比之下，双线性重新缩放方法更灵活，因为它可以应用于任意比例的缩放。我们还将在实验中表明，双线性重新缩放实现稍好性能。
2.SCN
网络结构如上图所示，应该是结合了Scale-wise Convolution和残差模块+Global Skip，具体没细看，准备等代码开源了再细看一下！
实验结果：
1.标准数据集上效果：
2.消融实验：
