基于深度学习的高分辨率重建上采样算法总结
上采样实际上就是放大图像，指的是任何可以让图像变成更高分辨率的技术。它有反卷积(Deconvolution，也称转置卷积)、上池化(UnPooling)方法、双线性插值（各种插值算法）。下采样实际上就是缩小图像，主要目的是为了使得图像符合显示区域的大小，生成对应图像的缩略图。比如说在CNN中的池化层或卷积层就是下采样。不过卷积过程导致的图像变小是为了提取特征，而池化下采样是为了降低特征的维度。
1、【ESPCN】低分辨率feature maps的上采样方法：pixelshuffle
ESPCN的核心概念是亚像素卷积层(sub-pixel convolutional layer)。网络的输入是原始低分辨率图像，通过三个卷积层以后，得到的特征为r^2WH ，其中WH与输入图像大小相同，再将特征图像每个像素的 r^2个通道重新排列成一个 r*r 的区域，即将r^2WH特征经过重排得到rW*rH的输出，实现了图像r倍上采样。
pixel_shuffle = torch.nn.PixelShuffle(r)
output = pixel_shuffle(input)
其中r为上采样倍率。输入输出如下：
比如input的shape是(1, 64, 20, 30), r = 2,
而这个shape对应的是(1, r2C, H, W), 也就是r2C = 2x2xC = 64, 所以C=16，
所以output应该是(1, C, rH, rW)，也就是(1, 16, 40, 60)
例如，有r2个channel, 把这些channel铺成 r x r的一个大像素，假如r = 3，那么output中一个pixel有9个channel，它对应右边SR图像中一个3x3的大像素（注意看颜色的对应）。回到r，每个pixel有r2个channel，把它铺平，成为一个r x r的SR大像素，所以(r2C, H x W)就成了(C, r x r x H x W), 也就是(C, rH, rW)
2、【FRCNN】ConvTranspose2d原理，上采样方法
ConvTranspose2d是其中一个扩大图像尺寸的方法（逆卷积）
self.last_part = nn.ConvTranspose2d(d, num_channels, kernel_size=9,
stride=scale_factor, padding=9//2,output_padding=scale_factor-1)
当给一个特征图a, 以及给定的卷积核设置，我们分为三步进行逆卷积操作：
第一步：对输入的特征图a进行一些变换，得到新的特征图a’
第二步：求新的卷积核设置，得到新的卷积核设置，后面都会用右上角加撇点的方式区分
第三步：用新的卷积核在新的特征图上做常规的卷积，得到的结果就是逆卷积的结果，就是我们要求的结果。
（1）新的特征图通过插值得到，插在原先高度方向的每两个相邻中间插上" Stride-1"列0。我们知道对于输入为 Height 的特征图来说有 Height-1个位置，所以，最终我们的特征图在原先的基础上加上 (Stride−1)∗(Height−1)。即 Height'=Height+(Stride-1)*(Height-1)
对图的说明：
输入特征图A： 3*3
输入卷积核K：kernel为 3*3， stride为2， padding为1
新的特征图A’： 3 + (3-1)*(2-1) = 3+2 = 5 注意加上padding之后才是7。
新的卷积核设置K’: kernel不变，stride为1，padding= 3-1-1=1
最终结果： (5+2-3)/1+1=5