不同于分类、检测等 high level 任务，low level 任务往往需要保持图像原始分辨率，比如去噪、增强、HDR 等。这样一来，当图像分辨率上来之后（比如现在手机相机主摄主流的分辨率就是 4096x 3072，远高于分类使用的 256x256 的尺寸），网络的整体计算量会变得非常恐怖，端侧动不动可能就要上百毫秒。所以，一般都需要对原图做一些降分辨率的处理，这样端侧的芯片才能 hold 住。
-
原图直接 downsample，过网络，输出再 upsample。最简单的方法，效果也最差，边缘什么的表现肯定是不指望了；
-
原图直接 downsample，过网络，用一些具有保边性质的方法来 upsample，典型的方法比如 HDRNet，学一组小分辨的系数，再联合学习到的引导图像，经过三线性插值上采样回原图分辨率；又或者对网络输出的小图直接用引导滤波上采样，也可以起到保边的效果。此类方法的核心思想主要是在小图上做完预测之后，采取何种保边的方式来做上采样。但往往会遇到细节不足、局部对比度不足的问题，原因在于你的最终结果毕竟是插值插出来的，只能保大边，小边缘保不住。
-
对原图构建 Laplace 金字塔，将最顶层的 low freq 图像过一个复杂的网络，其他的 high freq 可以过一些小网络来做调整，最后再塌缩回去。在一些 low level 任务中，主要差异体现在低频部分，高频细节可能差异很小，比如风格转换任务，所以直接对低频动手本身也更合理。同时 Laplace 金字塔又可以实现分频处理的功能，笔者认为此类范式应该是潜力还比较大的。
-
另一个比较 trick 做法是对输入做 pixel unshuffle，把像素从分辨率层面放到通道层面，最后把结果 pixel shuffle 回去，因为网络的计算量主要是受到特征图 size 的影响，所以也可以减小计算量，同时这样的做法会变相地扩大网络的感受野，也算是一个增益，在实际工作中也属于一个比较行之有效的做法。