这种平衡行为的实现相当棘手，尤其是当模型有多个交互通道时。避免棋盘效应会显著限制可能的过滤器，牺牲模型容量。在实践中，神经网络很难学习完全避免这些模式。

　　事实上，不仅具有不均匀重叠的模型不会学习避免这种情况，而且均匀重叠的模型也经常学习会导致类似的棋盘效应的核！虽然对它们来说这不是默认的行为，不像不均匀重叠模型。但均匀重叠反卷积仍然非常容易产生棋盘效应。

　　最好的情况下，反卷积非常脆弱，因为它非常容易呈现人工创造的功能。最坏的是，产生棋盘效应是反卷积的默认行为。

　　那么，是否有一种不同的上采样（upsample）方法能更好地阻止棋盘效应？

　　更好的上采样方法

　　为了避免棋盘效应，我们想要一个常规反卷积的代替方法。与反卷积不同，这种上采样方法默认不应发生棋盘效应。理想情况下，它会进一步对抗这些棋盘效应。

　　方法之一是确保反卷积核的大小可以被步长整除，从而避免重叠问题。这等价于最近成功用于图像超分辨率解析的技术“子像素卷积”（sub-pixel convolution） (Shi, et al., 2016b)。但是，尽管这种方法有效，但反卷积仍然容易产生棋盘效应。

　　另一种方法是将上采样分离为较高分辨率的卷积到计算特征。例如，您可以调整图像大小（使用最近邻居插值或双线性插值），然后进行卷积层。这似乎是一个自然的方法，大致类似的方法在图像超分辨率（例如，Dong，et al。，2015）中工作良好。

　　另一种方法是从卷积操作中分离出对卷积后更高分辨率的特征图上采样来计算特征。例如，可以先缩放图像（最近邻插值或双线性插值），再卷积。这似乎是自然的方法。

　　反卷积与缩放卷积（resize-convolution）方法都是线性操作，并可用矩阵去解释。对于每个输出窗口，反卷积操作的输入唯一，缩放卷积会以阻碍高频棋盘效应的方式来隐式地集中权重（weight-tying）。

　　代码：

　　在TensorFlow实现缩放卷积可以使用以下代码：tf.image.resize_images()

　　为了得到最好的结果，在用 tf.nn.conv2d()做卷积前可以用 tf.pad() 避免边界效应。

　　图像生成结果

j2直播，用缩放卷积神经网络生成高清图像（TensorFlow 代码）" src="http://www.wzatv.cc/atv/uploads/allimg/161102/20550063I_0.jpeg" />

　　结论

　　用反卷积的常规方法生成图像（尽管这种方法非常成功 ），仍然存在一些概念上非常简单的问题，使得在生成的图像中出现棋盘效应。使用没有这些问题的替代方法可以消除棋盘效应。

　　我们提供了一个易用的解决方案，提高了用神经网络生成图像的质量。我们期待看到这种方法会被怎样使用，以及它是否能对音频之类的领域有所帮助，这类领域中的高频伪影是尤其棘手的问题。

　　【译注：原文标题是Deconvolution and Checkerboard Artifacts，本文中"Checkerboard Artifact "翻译成“棋盘效应”，“Artifact”视情况翻译成“棋盘效应”或“伪影”。】

　　参考文献：

Dong, C., Loy, C.C., He, K. and Tang, X., 2014. Image super-resolution using deep convolutional networks.arXiv preprint arXiv:1501.00092.

Dumoulin, V., Belghazi, I., Poole, B., Lamb, A., Arjovsky, M., Mastropietro, O. and Courville, A., 2016.Adversarially Learned Inference. arXiv preprint arXiv:1606.00704.

Dumoulin, V. and Visin, F., 2016. A guide to convolution arithmetic for deep learning. arXiv preprint arXiv:1603.07285.

Donahue, J., Krähenbühl, P. and Darrell, T., 2016. Adversarial Feature Learning. arXiv preprint arXiv:1605.09782.

Gauthier, J., 2015. Conditional generative adversarial networks for convolutional face generation. Technical report.

Hénaff, O. J., & Simoncelli, E. P. (2015). Geodesics of learned representations. arXiv preprint arXiv:1511.06394.

Johnson, J., Alahi, A. and Fei-Fei, L., 2016. Perceptual losses for real-time style transfer and super-resolution. arXiv preprint arXiv:1603.08155.

Mordvintsev, A., Olah, C., & Tyka, M. (2015). Inceptionism: Going deeper into neural networks. Google Research Blog.

Mordvintsev, A., 2016. DeepDreaming with TensorFlow. Github.

Radford, A., Metz, L. and Chintala, S., 2015. Unsupervised representation learning with deep convolutional generative adversarial networks. arXiv preprint arXiv:1511.06434.

Salimans, T., Goodfellow, I., Zaremba, W., Cheung, V., Radford, A. and Chen, X., 2016. Improved techniques for training GANs. arXiv preprint arXiv:1606.03498.

(责任编辑：本港台直播)