问题标签 [deconvolution]

有些人可能更喜欢将其称为转置卷积，如此处介绍的。我期待在 Python 或 C/C++ 中实现转置卷积。谢谢大家帮助我！

我有两个图像：原始图像和模糊图像。主要问题是估计用于对原始图像进行卷积以获得模糊的内核。

获取模糊图像的简单示例：

现在想象我有 Mat src_raw和blured并且应该估计kernel。我没有找到任何opencv函数来做到这一点。也许我需要一些优化算法来获得它？如果是，我可以在 opencv 包中找到它吗？

谢谢

我有一个测量系统，它以指数下降（蓝线，这将是测量数据）响应步骤（绿线）。

我想使用反卷积从蓝线回到绿线。这个阶跃响应是否已经为反卷积提供了足够的信息，或者是否有必要具有脉冲响应？

谢谢你的帮助，

我正在实现卷积自动编码器，并且很难找到卷积转置层（在解码器中）的正确形状。到目前为止，我的编码器看起来像

现在，在解码器中，我试图恢复它。使用：

我无法重现输入的大小。

知道解码器层的正确设置应该是什么吗？

由于我网络中层的性质，我必须做三个转置：

这需要大量时间

对于 10 的 batch_size。

以前的模型，大小相似，没有转置，在同一个数据集上，第一批需要 10 秒，之后每批需要 0.4 秒。第一批之后，我上面的模型每批仍然需要 4 秒以上。

我想我设法把它缩小到我所做的换位。有没有解决的办法？

我正在尝试调整此DCGAN 代码以使其能够处理 2x80 数据样本。

所有生成器层都不是tf.nn.deconv2dh0，即 ReLu。每个级别的生成器过滤器大小当前为：

由于我的数据的性质，我希望它们最初生成为 2 x ...，即过滤器为2 x 5、2 x 10、2 x 20、2 x 40和2 x 80。但是，当我只是手动输入s_h16 = 2 * s_h16等等时s_h2 = 2 * s_h2，我遇到了以下错误：

所以我知道错误发生在 h3 级别，但我无法完全追踪它（这里是 64 是批量大小）。有什么想法可以解决这个问题吗？

编辑：编辑的 DCGANs 代码在此存储库中，在按照说明设置 DCGAN-tensorflow 后，您必须将 Data_npy 文件夹放入DCGAN-tensorflow/data文件夹中。

然后运行python main.py --dataset Data_npy --input_height=2 --output_height=2 --train将为您提供我得到的错误。

完整的错误回溯如下所示：

我对 tensorflow 有点陌生，所以如果问题很明显，请原谅我。基本上，我正在制作一个生成对抗网络，而我的生成器会产生非常重复的瓦片状模式。目前我的发电机模型看起来像这样

其中密集块由以下组成：

deconv 块如下所示：

权重和偏差创建如下：

损失函数和优化器是：

我正在训练图“G”中的所有参数，定义如下：

这似乎确实返回了正确数量的变量。网络被输入一个大小为 (batch_size, 100) 的张量，它应该开始类似于一些放大的 mnist 数据（缩放到 64x64）。我从错误中注意到的是，生成器仅在几个时期的损失方面有所改善，然后是平坦的。即使判别器仅每 50 个 epoch 更新一次，生成器在大约 150 个 epoch 后也没有改进

示例输出如下所示： Epoch 500

我还想指出，鉴别器确实可以正常工作。我开始将鉴别器作为 mnist 的分类 CNN，然后我基本上将所有输出合并到一个节点中，以便与 GAN 一起使用。

其他输出也遵循类似的平铺模式，我不知道为什么。如果有人可以提供帮助，那就太好了！如果您需要更多信息，请告诉我。

我正在将自动编码器模型从 Caffe 转换为 TensorFlow。转移权重后，网络通过卷积按预期执行，直到达到反卷积。输出特征图与来自 Caffe 的给定输入和权重的预期不同。有谁知道为什么我不能将权重从 Caffe 转移到 TF 以进行反卷积层？

我唯一能在网上找到的是这个与完全相同问题的死讨论：https ://groups.google.com/a/tensorflow.org/forum/#!topic/discuss/Dw4PmlRfaaM

谢谢！

我正在努力在不知道 PSF 值的情况下恢复模糊的图像。我使用盲反卷积估计PSF值和Lucy Richardson方法来完全还原图像。问题是，我曾经fspecial('gaussian')模糊图像，现在我需要使用imgaussfilt函数来做到这一点。但是一旦我这样做，图像就不会按预期恢复。使用第一种方法，我得到了很好的结果。

fspecial('gaussian')和 和有什么不一样imgaussfilt()？有没有办法可以恢复使用第二个功能模糊的图像？

PS：所有图像都是用于生物识别系统的虹膜图片。

首先，我使用以下代码尝试了恢复过程：

这是我模糊和去模糊图像的主要脚本：

图片样本：

在“用于语义分割的完全卷积网络”一文中，作者区分了反卷积上下文中的输入步幅和输出步幅。这些术语有何不同？