deconvolution讲解论文链接：https://arxiv.org/abs/1609.07009

关于conv和deconvoluton的另一个讲解链接：http://deeplearning.net/software/theano_versions/dev/tutorial/conv_arithmetic.html#transposed-convolution-arithmetic

参考博客：https://blog.csdn.net/itleaks/article/details/80336825

反卷积作为一种upsample的方式在图像分割等领域获得了很大的应用，一般地，反卷积分为“转置卷积”和“微步卷积”，不过两种本质其实是一样的，只是实现时稍微有点不同；

一、转置卷积（Transposed Convolution）：

二、微步卷积（Fractionally Strided Convolution）：

这块可以参考论文里的讲解，讲的很细很好；

 结论：“In conclusion, the deconvolution layer is the same as the convolution in LR with rd channel output where d is the spatial dimension of the data. ”，可参考下面这张图：

 

 当然作者也说了，使用LR的图像做卷积比使用HR的图像做卷积具有更好的表达效果，解释如下：

所以，有的时候使用deconvolution获得HR并不必要，作者在论文的最后也给我们留下了一些有趣的问题：

 

版权声明：本文为zf-blog原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://www.cnblogs.com/zf-blog/p/10100552.html