创新点：
设计了两个SR模型，分别处理 上采样复杂度(upscaling difficulty) 不同的图像块，达到质量和速度的平衡
思路：
1. 如何衡量图像块的上采样复杂度：
total variation(TV) metric:
TV越大，重建越困难
Fig3: TV越大，PSNR越小， 重建质量越不好
Fig4: TV越大，不同模型重建的PSNR差值越小 => 对于TV较大的图像块，可以用较小的SR model在达到相似PSNR情况下提升速度
2. 选择参考SR模型 ：
基于RCAN作改进
性能对比（性能蛮好的）
FEQE是2018 PIRM Challenge on perceptual SR on mobile 的冠军
3. 其他压缩模型变体：
训练以上所有模型
4. 测试所有模型的 运行时间 和 运行质量
根据Fig7和Fig8选择了 、
、
（这三个模型位于Pareto fronts）
5. 三个模型两两组合（，
），测试运行质量和时间
TV小于 用
， 大于用
随着PSNR容忍度的升高，提出的方法在达到相似的PSNR下，速度提升
一些想法：
1. 对图像块分类只用TV？有没有其他的更全面的方法
2. 模型对（，
）可否自动选择
退化估计(模糊、噪声、伪影、光照)-> 结构估计-> 给定PSNR容忍度下，运行速度最快的模型选择