前言
本文译自quora上对《What is the difference between Deconvolution, Upsampling, Unpooling, and Convolutional Sparse Coding?》的回答。个人觉得这位老哥的回答很简洁干练。所以转到这里。
Upsampling（上采样）
在FCN、U-net等网络结构中，我们见识到了上采样这个东西。那么，什么是上采样呢？简单来说：上采样指的是任何可以让你的图像变成更高分辨率的技术。
最简单的方式是重采样和插值：将输入图片进行rescale到一个想要的尺寸，而且计算每个点的像素点，使用如双线性插值等插值方法对其余点进行插值来完成上采样过程。
Unpooling
Unpooling是在CNN中常用的来表示max pooling的逆操作。这是从2013年纽约大学Matthew D. Zeiler和Rob Fergus发表的《Visualizing and Understanding Convolutional Networks》中产生的idea：
鉴于max pooling不可逆，因此使用近似的方式来反转得到max pooling操作之前的原始情况
简单来说，记住做max pooling的时候的最大item的位置，比如一个3x3的矩阵，max pooling的size为2x2，stride为1，反卷积记住其位置，其余位置至为0就行：
Deconvolution（反卷积）
Deconvolution(反卷积)在CNN中常用于表示一种反向卷积 ，但它并不是一个符合严格数学定义的反卷积操作。与Unpooling不同，使用反卷积来对图像进行上采样是可以习得的。通常用来对卷积层的结果进行上采样，使其回到原始图片的分辨率。
反卷积也被称为分数步长卷积(convolution with fractional strides)或者转置卷积(transpose convolution)或者后向卷积(backwards strided convolution)。作者认为应该称之为转置卷积。
真正的反卷积如(Deconvolution - Wikipedia)里面所说，但是我不认为有人在实际的CNN中会使用它。
前面提到，反卷积也被称为分数步长卷积或者转置卷积或者后向卷积。在我看来，这些术语不会让人真正的理解到底发生了什么，而实际上这些东西还是挺简单的。
常规的卷积操作(valid模式)：滑动步长为S，图片大小为N1xN1，卷积核大小为N2xN2（示意图假设为3x3），卷积后图像大小：(N1-N2)/S+1 x (N1-N2)/S+1如下图：
为了要让经过卷积的结果回到卷积前的模样。如图这个2x2的的结果，如何回到4x4呢？其实这种也算一种卷积的操作，只不过进行了padding操作：
或者，通常大家会选择更大的stride来增强上采样的效果（因为一般默认stride=1，比较小）
上面这种图的地址：https://github.com/vdumoulin/conv_arithmetic，需要注意的是：上采样的kernel的学习与正常的卷积核类似。
FCN(U-net)中的low-level和high-level特征的融合
在FCN论文中，作者采用了combine网络的low-level和high-level特征的方式。这是因为：
① 网络比较深的时候，特征图通常比较小，对这种特征图进行上采样——有很好的语义信息，但分辨率很差。
② 网络比较浅的时候，特征图通常比较大（接近input image），对这种特征图进行上采样——有很好的细节，但语义信息很差。
因此，对两者进行combine，我们可以在得到很好的细节基础上，也能获得尽可能强的图像语义信息。