超分辨率 | 反卷积deconvolution存在的弊端及引起的棋盘效应

1. 棋盘效应

当我们要用到深度学习来生成图像的时候，是往往是基于一个低分辨率且具有高层语义的图像。这会使得深度学习来对这种低分辨率图像进行填充细节。一般来说，为了执行从低分辨率图像到高分辨率图像之间的转换，我们往往要进行deconvolution。简单来说，deconvolution layer可以允许模型通过每一个点进行绘制高分辨率图像上的一个方块，这种情况的产生与deconvolution的stride、kernel size有关。

然而，在使用deconvlution的时候，如果出现kernel size与stride无法整除的时候，这时候便会发生uneven overlap。
如下图中，便会出现图像中的某个部位的颜色比其他部位更深的情况。

2. 问题产生：kernel size无法被stride整除

stride为1，kernel size为3，这导致了重复上采样绘图的部分不均匀（下图深色部分），

二维情况更为严重，

3. 思路

3.1. 思路一：多层重复转置卷积

一个常见的想法是寄希望于多层重复转置卷积，希望能抵消掉棋盘效应，但是实际上一般事与愿违，

重复的结构使得棋盘更加复杂。

3.2.思路二：kernel为1的转置卷积

此时可以很好地解决这个问题，

但是……转置卷积的意义在于上采样，stride为1还上采毛线……，所以一般会用于卷积栈的末尾作为调整，不过效果有限，

3.3. 思路三：调整kernel权重分布

加大无重叠部分的权重分布可以很好的解决的这个问题，原理如下图：

但是这种做法会极大地限制模型的学习能力（避免棋盘效应往往会降低模型容量，会使得模型变得更大从而使得难以训练。原文的话是指： Avoiding artifacts significantly restricts the possible filters, sacrificing model capacity）

4. 更好的上采样

4.1 方法一：采取可以被stride整除的kernel size

该方案较好的应对了棋盘效应问题，但是仍不够圆满，因为一旦我们的kernel学习不均匀，仍然会产生棋盘效应，

在上图中，我们的weight并不够平衡，这直接导致了输出的棋盘效应。

去仔细调节kernel size和stride的大小关系以确保他们尽量能整除。在Twitter的超分辨率文章中的《Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network 》中，作者提出了一种亚像素卷积的上采样方式。这个方法及其类似于kernel size和stride之间可以整除的情况。但同上一小节分析的一样，我们可以看到这个方法仍然会出现一定程度的伪影和棋盘效应。

即便如此，采用这个思路去设计网络仍然是必要的。

4.2 方法二：插值

可以直接进行插值resize操作，然后再进行卷积操作。这种操作在超分辨率文献中很常见。例如，我们可以采取近邻插值或者样条插值来进行上采样。

5. 最后