上采样(UnSampling)、上池化(UnPooling)、反卷积(Deconvolution)与PixelShuffle(像素重组)之间的区别简介_pixelshuffle 反卷积

    上采样(UnSampling)：即输入特征图，将其缩放到所需大小（比如2*2的宽高--->4*4的宽高），其常用方法是插值方法（如最邻近插值、双线性插值和三次插值），其中，最邻近插值效果最差，放大后的图像有很严重的马赛克，但速度快；双线性插值，效果较好，速度也较快，经常被使用；三次插值，效果好，但速度慢。在深度学习中，我们经常是结合双线性插值和卷积操作来使用的。

    上池化(UnPooling)：说到上池化操作，就不得不说最大池化操作（MaxPooling），最大池化操作就是选择池化区域内最大值来传递给下一层（这个过程是没有可学习参数），而上池化就是最大池化的逆过程，最大池化操作是不可逆的（除了最大值被保留），但我们可以记住池化操作中的索引值位置（池化区域内最大值的位置），在上池化的时候，就可以把此层的特征值放到相应索引值位置并且其它位置直接补0就行。

     反卷积(Deconvolution)：相比上池化，使用反卷积进行图像的“上采样”是可以被学习的（会用到卷积操作，其参数是可学习的）。从下面的动态图，我们可以知道，卷积核大小是3*3，而特征图则被间隔的插入0。但使用反卷积容易产生棋盘效应，详情可以参考我的一篇博客：反卷积(Deconvolution)与棋盘效应(Checkerboard Artifacts)_天竺街潜水的八角的博客-CSDN博客

     PixelShuffle（像素重组）：pixelshuffle的主要功能就是将r*r个通道的特征图转换成新的w∗r,h∗r 的上采样结果（比如原来特征图大小为4*128*128，现在就调整成大小1*(128*2)*(128*2)）。具体来说，就是按照一定规则将每个像素点的r*r个通道依次转换为对应的r*r的图像块。应用场所：在图像超分辨和图像增强的算法中需要对特征图进行上下采样的过程，可以解决插值和解卷积的一些人工痕迹问题，当然，也可以解决棋盘效应