이미지 초해상도 (Single Image Super-Resolution - SISR)는 이미지의 해상도를 복원하거나 해장도를 키우는 것을 목표로 하는 컴퓨터 비전 분야이다. 최대 신호 대 잡음비 (peak-to-peak signal ratio - PSNR)와 구조적 유사도 지수 측정(structural similarity index measure - SSIM)은 생성된 초해상도 이미지를 평가하는 데 사용되는 표준 측정 지표이다. SISR에는 딥러닝의 컨볼루션 신경망 (Convolutional Neural Networks - CNN) 모델로 복원된 이미지의 정확도를 향상시키는 데 성공적이다. 이전 연구에서 분석된 내용에 따르면 저해상도 이미지에서 누락된 세부 픽셀 데이터의 대부분은 고주파 영역에 존재한다. 때문에 고주파 영역은 저주파 영역에 비해 복원하기가 상대적으로 어렵다. 그러나 CNN은 저해상도 이미지의 모든 영역에서 동일하게 작동하여 저주파 영역에 불필요한 연산량을 유발한다. 연산량 측정은 부동소수점 연산(FLOP)의 계산을 통해 이뤄진다. 고주파 영역과 저주파 영역 분리 및 분류하기 위하여 판별 마스크를 생성한다. 이에 따라 두 가지 종류의 컨볼루션 연산이 별도로 적용된다. 이는 초해상도를 위한 이중 희소 컨볼루션 연산 (Double Sparse Convolutional Operation - DSCO)으로 이 논문에 제안된다. DSCO는 고주파 영역과 저주파 영역에서 각각 작동하기 위한 고 파라미터 컨볼루션과 저 파라미터 컨볼루션으로 구성된다. DSCO는 딥러닝 모델의 복원 성능을 유지하면서 FLOP를 효율적으로 줄인 것으로 나타났다. 연산량 감소 설정은 구성 가능하며 실험 결과에 따르면 DSCO가 x2/x3/x4 스케일에 대해 FLOPs를 최대 40.1%/37.0%/34.0%까지 감소시켜 최첨단 성능을 달성한다.