解决 deconvolution 中 uneven overlap 的问题

参考：https://blog.csdn.net/g11d111/article/details/101781549

在做deconvolution的时候，因为kernel size和stride各种值组合可能会出现uneven overlap的情况，这样会导致失真，并且这种情况是很容易发生的。下图中黑色点和灰色点即为uneven overlap的点。
并且在网络中，它不仅不会避免这类问题，还甚至会学习导致导致相似失真的卷积核。

那么要解决这样的问题有两种方法：（1）确保kernel size能被strides整除，产生的效果如下

这样overlap的点也是均匀分布的
（2）另一种方式是two-stage: 1) 用一般的upsample方法(最近邻, 双线性插值等)进行resize, 对特征图进行放大 2) 在第1)步得到的放大的特征图基础上进行卷积.。
实验表明，最近邻上采样+卷积效果是最好的，用resize_conv2d代替转置卷积计算，代码如下：

def resize_conv2d(x, input_filters, output_filters, kernel, strides, training):
    with tf.variable_scope('conv_transpose'):
        height = x.get_shape()[1].value if training else tf.shape(x)[1]
        width = x.get_shape()[2].value if training else tf.shape(x)[2]

        new_height = height * strides * 2
        new_width = width * strides * 2

        x_resized = tf.image.resize_images(x, [new_height, new_width], tf.image.ResizeMethod.NEAREST_NEIGHBOR)

        # shape = [kernel, kernel, input_filters, output_filters]
        # weight = tf.Variable(tf.truncated_normal(shape, stddev=0.1), name='weight')
        return conv2d(x_resized, input_filters, output_filters, kernel, strides)