本文介绍了一种用多卷积层深度神经网络对图像进行超分辨的方法，也是与SRCNN进行了比较。
本文认为SRCNN主要有三点限制：
①SRCNN依赖的是图像中临近的小范围区域，因此对于图像中细节的恢复质量不够好；
②与前一篇FSRCNN中提到的相同，SRCNN训练的收敛速度很慢；
③SRCNN只能够实现对单一倍数的图像进行超分辨操作。
而针对这些限制，本文提出了VD(Very Deep)SR方法使得超分辨质量更高，收敛速度更快，并且可以用于多倍数图像的超分辨。
VDSR的网络层数有20层，与想象中不同的是，如此深的网络结构并没有使得计算的时间变得很高，反而因为使用的自适应梯度裁剪方法变得更加高效。VDSR的网络结构如图所示：
其中所应用到的原理是：高分辨的图像能够被分解为低频的信息和高频的信息。其中低频信息对应的是低分辨的图像，而高频信息对应的则是残差图像或是图像细节。基于这个原理，网络对输入图像的残差进行学习，将学习到的残差信息再与输入图像结合，就得到了最终的高分辨图像。
在整个网络中，有四个主要的特点需要注意：
1、这个深度的神经网络具有很大的感受野(receptive field)，在本文中为（2D+1）*(2D+1)，因此图像中的更多细节能够被采出用于建构超分辨图像；
2、残差学习(residual learning)以及自适应梯度裁剪(adjustable gradient clipping)使得网络能够快速收敛；
3、由于卷积层会使得输出的图像比上一层输入的图像更小，而在VDSR实现的过程中，输入图像是源图像先经过插值到所需的大小得到的，因此为了使得输出与输入图像大小一致，在每个卷积层之前都要进行补零操作，这样才能使得所有的特征映射的大小能够保持不变；
4、VDSR 将不同放大倍数的图像收集在一起进行训练，因此训练模型适用于不同倍数的超分辨问题，且表现良好。
总的来说，VDSR应用了更深层的卷积神经网络，特别的采用了残差学习和自适应梯度裁剪方法，使得神经网络的收敛速度显著增加。同时，由于网络层数的增加和感受野的增大，生成的超分辨图像的质量和细节都更加优越。此外，VDSR能适应不同放大倍数的图像超分辨操作。