2020 CVPR,思路和class SR思路相同，将图像分成高频和低频区域分别进行处理，实现加速效果。
之前方法的问题
对于平坦区域，使用大网络进行处理是冗余的，使用小网络处理即可。
论文提出的点
1.学习空间mask去得到包含纹理边缘的重要区域，以及通道mask去得到对于非重要区域的冗余通道。
2.在训练时，使用Gumble softmask去使得二值化的masks进行处理。在inference时，使用sparse卷积跳开冗余的通道。
论文提出的方法
论文整体方法图如下所示：
1.训练时，对于空间mask，使用Gumbel softmask trick, 对于通道mask也是使用相同的操作，这样可以使得得到的mask是一个soften的结果。测试时，Gumbel mask被替换成softmax，从而使得生成的mask变成二值化的结果。特别的，在这里施加一个稀疏正则约束，保持mask的稀疏性。
Mask处理阶段如下图所示：
2.在训练阶段，先进行通道mask，分出重要的通道和不重要的通道，然后对重要通道中的重要区域和非重要通道再加上空间mask。在测试时，由于mask变成二值化操作，因此kernel也做了相应处理，如上图所示，即除了重要通道的重要区域，其他部分全都做了kernel split操作，从而实现sparse conv操作。
思考
1.对不同区域做相应的处理，实现加速是一个点，当然除了加速，可能还有其他的应用，值得思考
2.这种训练测试策略可以有借鉴的地方