neural-network - 反卷积和调整大小之间的实际区别，然后是卷积以进行放大

Question

我需要从一个层input = HxWxn1（其中 H：高度、W：宽度和 n1：过滤器数量）到一个层output = 2Hx2Wxn2（其中 2H = 2*Height 等，以及n2=n1/2：新过滤器的数量）（上采样）。实现这一点的一种方法是使用转置卷积算子。然而，众所周知，反卷积（转置卷积）算子会导致棋盘伪影。解决此问题的一种方法是执行调整大小，然后应用卷积映射。例如

output = transpose_conv2d(input,n2,kernel!=(1,1),stride!=1)

对比

output = resize(input) # e.g. bilinear interpolation
output = conv2d(output,n2,kernel=(1,1),stride=1)

显然，在第二种情况下，我们只是改变了过滤器的数量，我们“没有学习”任何特征（我们没有从input层中总结信息）。但这可以通过另一个具有内核大小的卷积来解决 kernel!= 1。例如

output = resize(input)
output = conv2d(output,n2,kernel=(1,1),stride=1)
# appropriate padding
output = conv2d(output, n2, kernel != (1,1), ...)

两种上采样方法之间是否存在任何实际差异（除了计算复杂性）？我知道后者解决了棋盘伪影的问题。