Deconvolution and Checkerboard Artifacts

在读这篇文章时候的感悟，这篇文章主要讲了出现如下情况( checkerboard pattern )产生的原因

 

在让神经网络生成图像的时候，通常做法都是从低分辨率开始，因为低分辨率拥有高的语义特征（ high-level descriptions）。 然后神经网络可以先大略描述这张图片，然后再随后的层中填充细节。

反卷积的作用：Roughly, deconvolution layers allow the model to use every point in the small image to “paint” a square in the larger one。这句话意思主要是，低分辨率中的一个小点对应高分辨率中的一个小块。但是反卷积会造成重叠uneven overlap，

stride/size是整数，那么就没有重叠，反之，有重叠。

可以先用最近邻插值来upsampling再卷积来替代deconv，为了最好的效果，再卷积之前需要tf.pad(),以防边界效应(boundary artifacts.)

使用resize+conv可以避免artifacts

最大池化也会引起artifacts,出处：We believe these to be caused by max pooling. Max pooling was previously linked to high-frequency artifacts