理解

首先，主要講下對文章的主要理解。簡而言之，這篇文章目的是保留影象細節，拒絕最大或者平均池化的簡單粗暴操作，可以自適應的學習的加權型池化。
文章借鑑的思想是DDIP。

綜述

池化的作用：降低引數量，擴大感受野，增強不變性。
目前常用的池化：最大，平均，帶步長的卷積。等等。最大池化是選擇領域內最大的，平均是對領域統一的貢獻。而strided conv則是簡單選擇一個節點作為池化後的節點。

文章內容

DDIP

俗話說，一張圖可以解釋一切。就是下面這張圖就能說明DDIP的思想。

O是輸出影象，上面一路是經過box filter-降取樣-高斯濾波之後的降取樣圖。經過逆雙邊濾波的作用，產生不同的加權結果，這樣就是產生了擴大細節的作用。
總之就是加權的過程。

DDP

根據對reward function的不同，存在了對稱DDP和不對稱DDP兩種。公式見論文公式5,6。
那麼對於上面公式中的I（~）是線性降取樣的結果。公式為

在論文中，根據對F的不同，可以產生Full-dPP和lite-DPP。
Full-dpp是指F為不標準的二維濾波，增加了相應大小的引數，可以學習。
對應的lite-dpp 則是為平均權重了。

討論

接下來的文章中，文章說明了引數的求導結果。並且說明了引數的增加相對於卷積等可以忽略，同時也證明了在特殊情況下ave-pooling 和 max-pooling可以是dpp的特例。
在實驗結果中，DPP展現了可以提升0.5-1個百分點的優勢。