093、超分中的上采样方法：亚像素卷积、反卷积与PixelShuffle对比

093、超分中的上采样方法：亚像素卷积、反卷积与PixelShuffle对比

上周帮师弟调一个轻量级超分模型，他用的反卷积做上采样，训练到第50个epoch突然loss炸了——梯度爆炸，直接NaN。我一看，反卷积的初始化没处理好，输出通道数还设错了。这让我想起自己刚入坑超分时，被这三种上采样方法折磨的日子。今天就把这些坑一次性说清楚。

从一张低分辨率图说起

超分辨率重建的核心矛盾很直接：输入是小图，输出是大图。怎么把特征图变大的同时，不丢失细节、不引入伪影？这就是上采样层要解决的问题。目前主流方法就三种：反卷积（Deconvolution）、亚像素卷积（Sub-pixel Convolution）、PixelShuffle。名字听着玄乎，本质都是“从小图到大图”的数学映射，但实现思路和效果天差地别。

反卷积：最直观但最危险

反卷积在PyTorch里叫nn.ConvTranspose2d，名字带“反”字，但千万别以为它是卷积的逆运算。它的工作方式是：先在输入特征图每个像素之间插入0（这叫“空洞填充”），然后做标准卷积。比如输入4x4，想输出8x8，就先在4x4的格子间插0变成7x7（具体尺寸取决于stride和padding），再用卷积核扫一遍得到8x8。

这里踩过坑：反卷积的输出尺寸计算公式和普通卷积是反过来的，很多人直接套用卷积公式导致尺寸对不上。正确的计算是：output_size = (input_size - 1