棋盘效应(Checkerboard Artifacts)

定义：棋盘效应是由于反卷积的“不均匀重叠”（Uneven overlap）的结果。使图像中某个部位的颜色比其他部位更深：
具体原因：在反卷积操作时，如果卷积核（Kernel）大小不能被步长（Stride）整除时，反卷积输出的结果就会不均匀重叠：
在二维情况下棋盘效应更为严重，如下：
原则上，网络可以通过训练调整权重来避免这种情况。解决方法就是注意调整好卷积核（Kernel）大小与步长（Stride）的关系。
不重叠（图a: kernel <= stride）与均匀重叠（图b: kernel % stride == 0）均可避免此类情况：
还可以“先进行插值Resize操作，再进行反卷积操作”来避免：
该方式在超分辨率的相关论文中比较常见。例如我们可以用常见的图形学中常用的双线性插值和近邻插值以及样条插值来进行上采样。

反卷积(Deconvolution)与棋盘效应(Checkerboard Artifacts)
Deconvolution and Checkerboard Artifacts

棋盘效应(Checkerboard Artifacts)相关推荐

棋盘（Checkerboard）算法
棋盘(Checkerboard)算法是一种传统的存储器测试方法,该方法简单.快速,但覆盖率低.其基本过程是对存储单元进行赋值,保证每个存储单元与相邻存储单元的值不同,这样就将整个存储阵列分成了两部分: ...
转置卷积中的棋盘效应
目录举例1 举例2 解决方法举例1 当我们仔细观察由神经网络生成的图像时,我们经常会看到一种奇怪的棋盘图案.在某些情况下,它比其他情况更明显,但最近的大部分模型都表现出这种行为.如下图: 造成棋盘 ...
CYCLEGAN (棋盘效应被解决)
GitHub - zzr-idam/cycleGAN: The tessellation effect is solved with the help of bilinear upsampling. ...
一文搞懂转置卷积（反卷积）
↑ 点击蓝字关注极市平台作者丨土豆@知乎来源丨https://zhuanlan.zhihu.com/p/158933003 极市导读转置卷积在一些文献中也被称为反卷积,人们如果希望网络学习到上 ...
MelGan原理与实践篇
笔者最近对基于Gan的神经网络Vocoder进行了一系列实验. 简单做一下总结并提出一些列疑问,一起与行业大佬探讨遇到的问题. 先来看melgan的模型结构,包括两部分: Generator(生成器) ...
PyTorch 入坑八：卷积与转置卷积
卷积操作略输入输出尺寸变化略 PyTorch实现 nn.Conv2d(in_channels,out_channels,kernel_size,stride=1.padding=0,dilat ...
第五章卷积神经网络（CNN）
文章目录 5.1 卷积神经网络的组成层 5.2 卷积如何检测边缘信息? 5.3 卷积层中的几个基本参数? 5.3.1 卷积核大小 5.3.2 卷积核的步长 5.3.3 边缘填充 5.3.4 输入和输出 ...
膨胀卷积的缺点_卷积、反卷积与膨胀卷积
卷积(多---->1 的映射) 本质:在对输入做9--->1的映射关系时,保持了输出相对于input中的位置性关系对核矩阵做以下变形:卷积核的滑动步骤变成了卷积核矩阵的扩增卷积的矩阵乘 ...
【机器学习】详解转置卷积 (Transpose Convolution)
目录一.转置卷积的背景二.转置卷积的应用三.转置卷积的区别四.转置卷积的推导五.转置卷积的输出 5.1 stride = 1 5.2 stride > 1 ☆ 六.小结一.转置卷积的 ...

棋盘效应(Checkerboard Artifacts)

棋盘效应(Checkerboard Artifacts)相关推荐

最新文章

热门文章