像素反卷积网络

反卷积层已广泛应用于各种用于上采样的深度模型中，包括用于语义分割的编码器-解码器网络和用于无监督学习的深度生成模型。反卷积操作的关键局限之一是它们会导致所谓的棋盘格问题。这是由于输出特征图上的相邻像素之间不存在直接关系。为了解决这个问题，我们提出了像素反卷积层 (PixelDCL)，以在上采样特征图上的相邻像素之间建立直接关系。我们的方法基于对常规反卷积操作的一种全新解释。由此产生的 PixelDCL 可以即插即用的方式替换任何反卷积层，且不损害原始模型的可完全训练能力。所提出的 PixelDCL 可能会导致效率略微下降，但这可以通过一种实现技巧来克服。语义分割上的实验结果表明，PixelDCL 能够考虑诸如边缘和形状等空间特征，并产生比反卷积层更准确的分割输出。在图像生成任务中使用时，我们的 PixelDCL 能够在很大程度上克服常规反卷积操作所面临的棋盘格问题。