190、多尺度特征提取：RDN的密集连接与全局特征融合创新实践从一次让人抓狂的调试说起去年接了个卫星图像超分的项目，甲方要求把0.5米分辨率的地面图像提升到0.1米。我一开始用的是EDSR，训练了三天，PSNR卡在32.5dB死活上不去。最诡异的是，模型对纹理细节的恢复能力极差——草地糊成一团，建筑物的边缘锯齿明显。我反复检查数据增强、学习率调度，甚至怀疑是不是GPU显存不够导致梯度爆炸。直到有一天深夜，我盯着loss曲线发呆，突然意识到问题可能出在特征提取上。EDSR虽然用了残差块堆叠，但每个残差块内部的特征是孤立的，浅层的高频信息在深层几乎被稀释殆尽。我试着把SRResNet的残差块换成RDN（Residual Dense Network）的密集连接结构，同样的训练配置，PSNR直接跳到33.8dB。甲方看到结果后，把验收标准从0.1米改成了0.08米。这个经历让我深刻理解了一件事：多尺度特征提取不是简单的堆叠卷积层，而是要让网络学会在不同感受野下“记住”并“复用”信息。RDN的密集连接和全局特征融合，本质上是在解决深度学习中最古老也最致命的问题——信息流衰减。RDN的核心设计哲学：别让特征“死”在中间层传统的残差网络（ResNet）通过跳跃连接缓解梯度消失，但每个残差块内部的卷积层之间仍然是串行的。打个比方，这就像一条流水线，每个工位只处理上一道工序送来的半成品，如果某个工位漏掉了关键信息，后续所有工位都再也找不回来。RDN的密集连接
