作者认为卷积神经网络感受野越大其可以利用的上下文信息就越多，那么就可以推理出更多的高频信息。提高感受野的方法：增加网络的深度（即增加卷积层的个数或者是增加池化层的个数。但是这两种方法都有缺点，卷积层引入了更多的参数，池化层丢失了一些关键信息）
感受野越大可以利用的上下文信息就越多
一般在图像复原这样的任务中，不会使用池化层。
引入卷积层会导致参数大，容易过拟合
基于此，作者提出了DRCN。重复的利用卷积层，参数不会增加，感受野变大。
但是用随机梯度下降方法会导致梯度爆炸/消失、Learning long-range
dependencies between pixels with a single weight layer is
very difficult.
减轻过拟合
- 递归监督。（每次递归后的特征图都用于图像重建。因为每次递归后产生的特征图都是不一样的，因此可以将不同级别的输