为加强研究生学术交流活动，推进学术创新，特开通“研究生学术报告预告区”。我校研究生和教师可以在预告区及时发布和了解有关研究生学术报告的信息，届时参加。也可就某学术报告展开专题讨论与交流。
在之前的超分辨方法中存在有三种问题，一是利用线性插值将输入图片转为指定尺寸，这一步骤增加了人为噪声，二是使用L2损失函数会产生模糊的预测，三是在不同的应用时，需要训练不同上采样倍数的模型。针对这些问题，提出了一种级联的金字塔形状的网络结构。网络的每一级完成一次2倍的上采样操作，网络采用Charbonnier惩罚函数( L1范数的变形)进行优化。通过一级一级预测残差的方式，在做高倍上采样时，也能得到中间低倍上采样结果的输出。由于尺寸是逐步放大，不是所有的操作都在大尺寸特征上进行，因此速度比较快。对每一级的结果都进行监督并计算损失，因此网络比较容易训练，同时取得了不错的结果。