反卷积方法----抑制棋盘伪影：Deconvolution and Checkerboard Artifacts

最新推荐文章于 2025-04-25 07:00:00 发布
最新推荐文章于 2025-04-25 07:00:00 发布
阅读量2.2k 收藏 7
点赞数 2
CC 4.0 BY-SA版权
分类专栏： cv 文章标签： 计算机视觉 卷积神经网络
版权声明：本文为博主原创文章，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://blog.csdn.net/gray___/article/details/123595733
本文探讨了卷积神经网络中出现的棋盘伪影问题，分析了其产生的原因，包括卷积核大小与步长不整除的情况。提出了两种抑制棋盘伪影的方法：确保卷积核大小能被步长整除，以及先进行上采样（如最邻近插值）再进行卷积。这两种方法旨在减少模型输出的伪影，提高图像重建质量。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Deconvolution and Checkerboard Artifacts的理解

打字讲的有点不清楚，有空录个视频讲:D

1. 什么是棋盘伪影

以下是计算机生成的图像放大后的样子。
棋盘伪影

像这样明暗相间的格子就是棋盘格。
在这里插入图片描述

但是正常图像是没有这种现象的，如果你用的是Mac，可以用电脑自带的数码测色计试试。

2. 棋盘伪影原因

反卷积的时候：卷积核 % 步长 不等于0（具体解释可以看原论文解释）
比如：

不整除情况

3 % 2 = 1
在这里插入图片描述

整除情况

2 % 2 &#

最低0.47元/天 解锁文章
Checkerboard Artifacts（棋盘伪影）的发生以及解决方案：
NorthSmile的博客
09-04 3425
kernel_size=3，stride=2：以输出中第三行元素为例，从左往右接受的信息量依次由输入中的2/2/4/2/2个元素提供，中间元素接受信息量不同，此为“不均匀重叠”。此外，当kernel_size=3，stride=2时，一维转置卷积输出中依次接受输入特征的1/1/2/1/1个元素提供的信息量，不均匀性是单方向的平方。3）stride=2，kernel_size=4：先对输入元素间用0进行stride-1=1的插值，再进行大小为1*(4-1)-0=3的零填充。=0：“不均匀重叠”
【超分辨率】deconvolution存在的弊端及引起的棋盘效应
Shwan_ma的博客
07-01 7411
本篇博文主要根据《Deconvolution and Checkerboard Artifacts》这篇文章作为基础，并结合了自己的理解。如果有理解错误，欢迎指出。 提要 深度学习生成的图片中，我们往往可以看到一些伪影和棋盘效应。在一些颜色变化明显的图片中，这种情况出现的更加频繁。本文将着重分析这种情况的出现原因以及提出对应的解决办法。 Deconvolution & O...
反卷积（Deconvolution）与棋盘格子状伪影（Checkerboard Artifacts）相关概念【整理】
Kobaayyy的博客
08-27 1906
反卷积与棋盘格子状伪影Deconvolution and Checkerboard Artifacts反卷积和上采样+卷积的区别？怎样通俗易懂地解释反卷积？子像素卷积(Sub-Pixel Convolution)反卷积(Deconvolution)缩放卷积(Resize-Convolution) Deconvolution and Checkerboard Artifacts https://distill.pub/2016/deconv-checkerboard/ 反卷积和上采样+卷积的区别？ ht
基于扩散模型的生成式AI实战(3):去噪模型优化(组归一化、GELU、重排池化、时间嵌入和残差连接)
最新发布
主要分享嵌入式软件、人工智能部分知识
04-25 776
这篇文章围绕扩散模型的图像生成过程进行改进，逐步搭建并优化了一个能生成 FashionMNIST 图像的扩散网络。作者从基础出发，首先引入了和GELU激活函数，替代传统的 BatchNorm 和 ReLU，以提升在小 batch 下的稳定性和表达能力。接着，利用替代 MaxPooling，让网络可以通过结构性重排自主决定哪些局部特征重要。同时，加入了基于正余弦函数的，让模型能够准确感知当前所处的扩散时间步。为了进一步缓解棋盘格伪影问题，文章引入了多个。
棋盘状伪影
月夜的博客
12-05 1681
注意这里探讨的是反卷积操作，阅读图像时从上往下看 这里的stride=2是反卷积中的1/2步长，在反卷积时像素中插一个像素值。有关反卷积步长的知识 ...
反卷积(Deconvolution)与棋盘效应(Checkerboard Artifacts)
W1995S的博客
07-15 2804
棋盘效应 当我们要用到深度学习来生成图像的时候，是往往是基于一个低分辨率且具有高层语义的特征图。这会使得深度学习来对这种低分辨率特征图进行填充细节。一般来说，为了执行从低分辨率特征图到高分辨率图像之间的转换，我们往往要进行deconvolution。简单来说，deconvolution layer可以允许模型通过每一个点进行绘制高分辨率图像上的一个方块，这种情况的产生与deconvolution的stride、kernel size有关。但不幸的是，当卷积核大小不能被步长整除的时候，会出现棋盘现象。 问题
mri之卷褶伪影
qq_27273607的博客
02-19 7472
卷褶伪影（Phase wrap-around ）是一种常见的MR伪影，只要对象的尺寸超过定义的视场（FOV）就会发生。 混叠是当数字采样率太低时，信号频率的错误分配。卷褶伪影通常容易被识别为将解剖部分折叠到感兴趣的区域中。 尽管这种现象可能在频率编码方向上发生，但是沿着相位编码轴通常更严重。 这种现象的物理基础如下所示。注意，对于相位编码梯度的每个值，分配特定数量的相位周期( phase cy...
MATLAB 棋盘格图片校准
weixin_40699340的博客
11-13 1388
moveImg=imread('cheesBoard_Object.tiff'); moveImg=rgb2gray(moveImg); [imagePoints,boardSize] = detectCheckerboardPoints(moveImg);%检测棋盘格角点 figure(1) imshow(moveImg); hold on; plot(imagePoints(:,1),imagePoints(:,2),'ro'); % for i=1:length(imagePoints(:,1))
深度学习中反卷积层(转置卷积)引起的棋盘格噪声
weixin_30886233的博客
12-28 1387
在基于CNN的超分辨率中，经常在最后一层使用stride>1的deconv layer，而这会造成棋盘格噪声。如下图所示 具体产生原因 上面的黑格子是表示原始图像中的某一个像素点，白色的表示转置卷积中的stride，一般是用0去填充。下面一层就是deconv生成的图像。可以看到stride不能整除size的时候，就会出现棋盘格效应（当然，就算整除也不能完全消除）。 ...
Deconvolution and Checkerboard Artifacts.pdf
07-22
在讨论“Deconvolution and Checkerboard Artifacts.pdf”这份文件时，我们首先要理解文档标题所表达的核心概念。标题中的“Deconvolution”指的是在神经网络中用于图像生成的一种操作，常用于将低分辨率的图像上...
ICLR 2024 | FeatUp: A Model-Agnostic Framework for Features at Any Resolution
画心
03-29 2777
与 NeRF 通过在场景的许多 2D 照片之间强制一致性来构建 3D 场景的隐式表示一样，FeatUp 通过在许多低分辨率特征图之间强制一致性来构建上采样器，即认为低分辨率信号的多视图一致性可以监督高分辨率信号的构建。文中的实验表明，FeatUp 在类激活图生成、分割和深度预测的迁移学习以及语义分割的端到端训练方面显着优于其他特征上采样和图像超分辨率方法。在这两种上采样架构的特征可以在下游应用中直接替换使用，因为所提方法不会转换底层特征的语义，即使无需重新训练也能获得分辨率和性能提升。
反卷积棋盘格效应示例
S20144144的博客
10-24 522
反卷积棋盘格效应示例 该网站不仅提供了详细的分析，并且提供了形象生动的互动示例，包括在图像上查看棋盘格效应的细节、用户调整超参数查看一维、二维棋盘格效应的示意。 Deconvolution and Checkerboard Artifacts ...
Day 5: Deconvolution and Checkerboard Artifacts
ttppss的博客
05-11 297
今天在看关于反卷积（deconvolution）的时候，发现里面提到了这篇 paper ，遂找来一看，希望以后在使用deconvolution的时候，能够有些可以改进的地方。 看的这篇知乎中讲到，反卷积会造成棋盘格伪影，而接下来要讲的这篇文章对此现象进行了分析。 文章地址：https://distill.pub/2016/deconv-checkerboard/ 今天看了些其它的东西，没来得及看新论文，因此尚未完工，明天继续 Core Ideas and Contribution 在很多网络中，最后
棋盘效应(Checkerboard Artifacts)
热门推荐
JNing
09-06 1万+
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..
反卷积与棋盘效应
weixin_45424997的博客
10-15 489
译自：https://distill.pub/2016/deconv-checkerboard/ Part1 当我们使用神经网络生成图像时，往往需要从一个低维空间(低分辨率)图像映射回高维空间（高分辨率）图像,实现的方法就是反卷积。 不幸的是，反卷积很容易导致输出的某些位置产生重叠。这种情况发生在卷积核不是步长的整数倍的情况下。 对于一个一维信号反卷积 卷积核大小为3，步长为2（对于步长s>1的反卷积，会在输入单元之间插入s-1个0，如下图空白。）卷积的结果在某些位置不重叠，在某些位置重叠一次,产生
几种卷积的比较
糯米团子的博客
11-15 2636
文章目录卷积与互相关（信号处理）深度学习中的卷积（单通道/多通道）3D卷积1 x 1卷积卷积运算（Convolution Arithmetic）转置卷积（反卷积，checkerboard artifacts）扩张卷积（空洞卷积）可分离卷积（空间可分离卷积，深度卷积）扁平卷积（Flattened Convolution）分组卷积（Grouped Convolution）随机分组卷积（Shuffled Grouped Convolution）逐点分组卷积（Pointwise Grouped Convolutio
Up-sampling with Transposed Convolution（转置卷积上采样）
laizi_laizi的博客
11-18 3101
虽然之前发过一篇转载类型的博客： 你想到的卷积类型这里都有，在里面的上篇有介绍转置卷积，但是他那篇的参考博客是国外的，一般看不了，我在这里就翻译一下，对自己加深映像也是好的。 在这里也给出原博客链接： https://medium.com/activating-robotic-minds/up-sampling-with-transposed-convolution-9ae4f2df52d0 可以...
反卷积神经网络有哪些
02-22
- **优点**：计算高效，避免棋盘伪影（Checkerboard Artifacts）。 - **应用场景**： - 超分辨率（如ESPCN模型）。 - 实时图像放大。 #### **(4) 插值法+卷积** - **原理**：先用双线性插值（Bilinear ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值