笔记：反卷积---对于反卷积的理解

声明：博主只是一个SR小菜鸟，这篇文章是博主自己的笔记，仅供参考。

刚刚开始学习图像超分辨率的时候，我找了几篇这方面的论文，其中就有超分的开山之作：

Learning a Deep Convolutional Network for Image Super-Resolution

论文链接：https://arxiv.org/abs/1501.00092

刚开始我以为这篇文章通过反卷积来将图像的分辨率调高的，但是阅读了文章后发现我错的离谱。

所以我找了一篇关于反卷积的文章来学习。

原文链接：CNN中几种upsample方法 - 简书

实际上通过反卷积操作并不能还原出卷积之前的图片，只能还原出卷积之前图片的尺寸。
反卷积（转置卷积）通常用在以下几个方面：

1.CNN可视化，通过反卷积将卷积得到的feature map还原到像素空间，来观察feature map对哪些pattern相应最大，即可视化哪些特征是卷积操作提取出来的；
2.FCN全卷积网络中，由于要对图像进行像素级的分割，需要将图像尺寸还原到原来的大小，类似upsampling的操作，所以需要采用反卷积；
3.GAN对抗式生成网络中，由于需要从输入图像到生成图像，自然需要将提取的特征图还原到和原图同样尺寸的大小，即也需要反卷积操作。

盗图1：

（1） i = 2, o = 4, k = 3, no_padding, s = 1

盗图2：

（2） i = 5, o = 5, k = 3, same_padding, s = 1

盗图3：

（3） i = 7, o = 5, k = 3, full_padding, s = 1

盗图4：

（4） i = 2, o = 5, k = 3, no_padding, s = 2

盗图5：

（5）i = 3, o = 5, k = 3, padding, s = 2

当反卷积的s = 1时，反卷积和一般的卷积并没有什么不同，只是padding的称呼方式有所变化，方向和卷积相反。由反卷积的图5可以看到反卷积的一些缺点，在s > 1时，会降低图片的分辨率，并且不同于一般的convolution，反而增大了输出的feature map的size。
对于s = 2、padding=1、k=4的反卷积，输入AXA图像，输出为2AX2A。

还有这位前辈的博客，讲的挺详细的，可以参考一下：

深度学习 | 反卷积/转置卷积 的理解 transposed conv/deconv_IMAGES CAN TALKS-CSDN博客_转置卷积和反卷积搞明白了卷积网络中所谓deconv到底是个什么东西后，不写下来怕又忘记，根据参考资料，加上我自己的理解，记录在这篇博客里。先来规范表达为了方便理解，本文出现的举例情况都是2D矩阵卷积，卷积输入和核形状都为正方形，x和y轴方向的padding相同，stride也相同。记号：  i,o,k,p,s i,o,k,p,s\ i,o,k,p,s 分别表示：卷积/反卷积的...https://blog.csdn.net/u014722627/article/details/60574260