：COO、执行总编、主编、高级编译、主笔、运营总监、客户经理、咨询总监、行政助理等 9 大岗位全面开放。

　　简历投递：j[email protected]

　　HR 微信：13552313024

　　新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。

　　加盟新智元，与人工智能业界领袖携手改变世界。

　　【新智元导读】非常仔细地观察神经网络生成的图像时，经常会看到一些奇怪的棋盘格子状的伪影（棋盘效应，checkboard artifacts）。本文作者讨论了棋盘效应出现的原因以及反卷积难以避免棋盘效应的原因，最后作者提出了一种避免棋盘效应的替代方法（缩放卷积），并提供了在TensorFlow上实现的代码。

　　当我们非常仔细地观察神经网络生成的图像时，经常会看到一些奇怪的棋盘格子状的伪影（artifact）。这种现象有些情况下比其他情况更明显，但最近的模型很多都会出现这种现象。

　　不可思议的是，这些棋盘图案在颜色深的图像中最突出。这是怎么回事？神经网络讨厌明亮的颜色吗？这些伪影出现的实际原因其实非常简单。

　　反卷积&重叠

　　当我们用神经网络生成图像时，我们经常从低分辨率、高阶描述中构建图像。这会让网络先描绘粗糙的图像，再填充细节。

　　因此，我们需要能让图像从较低分辨率达到较高分辨率的方法。我们通常使用反卷积操作。大致来说，反卷积层允许模型使用小图像中的每个点来“绘制”更大的图像中的方块。

　　【译注：反卷积有许多解释和不同的术语，包括“转置卷积”（transposed convolution）；为了简洁起见，本文使用“反卷积”（deconvolution），有关反卷积的更多讨论参见：Dumoulin & Visin, 2016 and Shi, et al., 2016a.】

　　但是，直播，反卷积很容易“不均匀重叠”（uneven overlap），使图像中某个部位的颜色比其他部位更深（Gauthier, 2015）。尤其是当核（kernel）的大小（输出窗口的大小）不能被步长（stride）整除时，反卷积就会不均匀重叠。虽然原则上网络可以仔细地学习权重来避免这种情况，但在实践中神经网络很难完全避免不均匀重叠。

　　（注：在原文网站上可以调节图示的大小（size）和步长（stride）更直观地理解，下同）

　　重叠图案也在二维中形成。两个轴上的不均匀重叠相乘，产生不同亮度的棋盘状图案。

　　事实上，不均匀重叠往往在二维上更极端！因为两个模式相乘，所以它的不均匀性是原来的平方。例如，在一个维度中，一个步长为2，大小为3的反卷积的输出是其输入的两倍，但在二维中，输出是输入的4倍。

　　现在，生成图像时，神经网络通常使用多层反卷积，从一系列较低分辨率的描述中迭代建立更大的图像。虽然这些堆栈的反卷积可以消除棋盘效应，但它们经常混合，在更多尺度上产生棋盘效应。

　　步长为1的反卷积层——通常被认为是成功的模型中的最后一层（eg. Salimans et al., 2016）——在减轻棋盘效应方面非常有效。它们可以消除频率整除其大小的棋盘效应，也可以减少其他频率小于其大小的棋盘效应。但是，棋盘效应仍然会发生，就像最近的模型出现的。

　　除了我们在上文观察到的高频棋盘状伪影外，早期的反卷积可以产生较低频率的伪影，我们将在后文更详细地探讨。

　　重叠&学习

　　不均匀重叠虽然是有效的框架，也可以说它是一种简单化。无论好坏，模型要为它们的反卷积学习权重。

　　理论上，模型可以学习仔细地写入不均匀重叠的位置，以使输出均匀平衡。