PyTorch学习之上采样层（VISION LAYERS）和PixelShuffle

版权声明：本文为博主原创文章，欢迎转载，转载请注明出处。 https://blog.csdn.net/shanglianlm/article/details/85311940

1 PixelShuffle

pixelshuffle算法的实现流程如下图，其实现的功能是：将一个H × W的低分辨率输入图像（Low Resolution），通过Sub-pixel操作将其变为rH x rW的高分辨率图像（High Resolution）。

通过卷积先得到 $r^2$个通道的特征图（特征图大小和输入低分辨率图像一致），然后通过周期筛选（periodic shuffing）的方法得到这个高分辨率的图像，其中 $r$为上采样因子（upscaling factor），也就是图像的扩大倍率。

torch.nn.PixelShuffle(upscale_factor)

参数：

• upscale_factor (int) – 增加空间分辨率的因子

输入输出尺寸：
输入: (N,C x $upscale\_factor^2$ ,H,W)
输出: (N,C,H x $upscale\_factor$,W x $upscale\_factor$)

2 Upsample

torch.nn.Upsample(size=None, scale_factor=None, mode=‘nearest’, align_corners=None)

参数：

• size(tuple) – 一个包含两个整数的元组 (H_out, W_out)指定了输出的长宽
• scale_factor(int) –长和宽的一个乘子
• mode (string) – 上采样算法，nearest neighbor (3D) 、linear (3D) 、bilinear(4D) 、 trilinear (5D) 默认：nearest
• align_corners(bool) – 是否保存边缘像素，默认：False

3 UpsamplingNearest2d

torch.nn.UpsamplingNearest2d(size=None, scale_factor=None)
对输入信号做2D最近邻上采样。

参数：

• size – 一个包含两个整数的元组 (H_out, W_out)指定了输出的长宽
• scale_factor – 长和宽的一个乘子

4 UpsamplingBilinear2d

torch.nn.UpsamplingBilinear2d(size=None, scale_factor=None)
对输入信号做2D双线性上采样。

参数：

• size – 一个包含两个整数的元组 (H_out, W_out)指定了输出的长宽
• scale_factor – 长和宽的一个乘子