如何解决基于深度学习的超分辨率输入补丁引发的棋盘问题？

Question

我正在研究一个DBPN模型，它是基于tensorflow框架的超分辨率的深度学习模型。I在规模x4恢复中遇到了“棋盘问题”，x4知道其原因是由于计算能力的原因而使用输入补丁(32x32 )，因此每32步就会出现问题。

有人能给我解决这个问题的办法吗？谢谢！！

我已经检查过内核大小应该是跨距大小的倍数。

​

​

Answer 1

关于这一点，有一个关于蒸馏的优秀文章。他们在那里说：

一种方法是确保使用按步幅除以的内核大小，从而避免重叠问题。这相当于“亚像素卷积”，这是最近在图像超分辨率8方面取得成功的一种技术。然而，尽管这种方法有所帮助，但反褶积仍然很容易陷入人工产物的产生。 另一种方法是将上采样从卷积分离到更高的分辨率，以计算特征。例如，您可以调整图像的大小(使用最近邻插值或双线性插值)，然后执行卷积层。这似乎是一种自然的方法，而且大致类似的方法在图像的超分辨率方面效果很好。9)。

谷歌的快速搜索也揭示了一个 数 of papers和源代码处理这个问题。