为了设计快速神经网络，许多工作都专注于减少浮点运算(FLOPs)的数量。然而，我们观察到这样的flop减少并不一定会导致类似水平的延迟减少。这主要源于低效的低浮点运算每秒(FLOPS)。为了实现更快的网络，我们重新考察了流行的运算符，并证明了这样低的FLOPS主要是由于运算符频繁的内存访问，特别是深度卷积。因此，我们提出了一种新的部分卷积(PConv)，通过同时减少冗余计算和内存访问，更有效地提取空间特征。 本文采用了一种具有跳跃连接的U-Net 网络 ，其中所有标准 卷积 层都被提出的局部 卷积 层所替代。如果你对他们的 网络 架构感兴趣，你可以参考论文（https://arxiv.org/pdf/1804.07723.pdf），他们提供了详细的模型表。 有趣的是，在这项工作中没有使用鉴别器。除了.. 号称秒杀PS的AI图像修复神器，来自于Nvidia 研究团队。引入了局部 卷积 ，能够修复任意非中心、不规则区域），代码还没有放出来，但是github上已经有大神复现论文了，今天主要基于github源码进行 部分 操作和结果展示。