问题标签 [deconvolution]

我正在使用 tensorflow 构建卷积神经网络。给定一个形状的张量 (none, 16, 16, 4, 192)，我想执行一个转置卷积，得到形状 (none, 32, 32, 7, 192)。

[2,2,4,192,192] 的过滤器大小和 [2,2,1,1,1] 的步幅会产生我想要的输出形状吗？

tf.nn.conv2d_transpose 的文档说：

output_shape 参数需要一个一维张量，指定此操作输出的张量的形状。在这里，由于我的 conv-net 部分完全建立在动态 batch_length 占位符上，我似乎无法batch_size为这个操作的 output_shape 的静态要求提供解决方法。

网上有很多关于这个的讨论，但是，我找不到任何可靠的解决方案。它们中的大多数都是global_batch_size定义了变量的hacky。我想知道这个问题的最佳解决方案。这个训练有素的模型将作为部署服务提供。

数据x输入自回归模型 (AR) 模型。AR 模型的输出在 SNR = 30 dB 时被加性高斯白噪声破坏。观测值用 表示noisy_y。

假设h_hat对 AR 模型进行近似估计（这些是从最小二乘估计中获得的）。我想看看从反卷积获得的输入与h_hat已知的测量值有多接近x。

• 我的困惑是使用哪个变量进行反卷积——干净y还是noisy y？

反卷积后，我应该得到x_hat. 我不确定执行反卷积的正确方法是使用noisy_y还是y在添加噪声之前使用 。我使用了以下代码。

• 有人可以帮忙看看什么是正确的绘图方法x和x_hat.

下面是xvs的图x_hat。可以看出，这些不匹配。我的理解错在哪里？请帮忙。

代码是：

我正在尝试在 CelebA 对齐数据集上使用生成对抗网络（GAN）生成图像，并将每个图像的大小调整为 .jpeg 格式的 64*64。我的网络定义是这样的

通过生成器生成的图像，我得到了一些随机颜色的像素以及其中的“网格”结构，如示例图像所示：

我的问题是这两个问题的原因是什么，我也使用了几乎相同的架构，在 Cifar-10 数据集上的生成器和判别器中少了一个卷积层，具有 .png 格式的 32*32 分辨率图像，但生成的图像是不是这样的。不确定图像格式是否是原因。如果有人可以提供一些想法或方法或链接，我将非常感激，以摆脱这些问题。

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

对比

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

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。

我是图像分析方面的新手（使用 Python），我想在我的数据（CT 扫描）上应用richardson_lucy 反卷积（来自 skimage）。出于这个原因，我通过特定的软件估计了“体素数”中的 PSF。它的值大约是 6.73 体素，但我不知道如何将它用作函数中的参数。

该函数使用PSF参数作为ndarray，所以我尝试了这种方式：

它向我显示了这个错误：IndexError: too many indices for array

在 CT 扫描中，两种不同材料之间的模糊可以与高斯 PSF 相关联。如果您有更多去模糊的技巧（可能比 RL 更好），请写出来。

谁能帮帮我吗。

我需要使用此函数对 2D 灰度图像进行反卷积：skimage.restoration.richardson_lucy

它需要一个 PSF 图像作为强制参数。如何通过 Python 估计 2D PSF 图像？

谁能帮我？

我将大小为 [256 256 3] 的图像作为输入，并希望输出相同大小的图像，但显示了下面提到的错误。我试过改变形状，过滤器，步幅没有任何效果。任何其他实现相同的方法都将被理解或链接到与上述相同的东西，输入和输出都是图像。这是我的代码：

错误如下：

Caffe中的反卷积层和Tensorflow有什么区别？在 Tensoroflow 中，有两种 padding 模式：“SAME”和“VALID”，哪一种和 Caffe 中使用的 padding 模式相同？

例如，在 Tensorflow 中，反卷积层为：

在 Caffe 中，它是：

将代码从 Caffe 传输到 Tensorflow 时，我无法实现相同的上采样图。

我创建了一个深度卷积神经网络来对图像中的单个像素进行分类。我的训练数据将始终保持相同大小 (32x32x7)，但我的测试数据可以是任意大小。

Github 存储库

目前，我的模型仅适用于相同大小的图像。我已经广泛使用了 tensorflow mnist教程来帮助我构建我的模型。在本教程中，我们仅使用 28x28 图像。如何更改以下 mnist 模型以接受任何大小的图像？

为了让事情变得更复杂一点，我的模型在需要指定输出形状的地方进行了转置卷积。我将如何调整以下代码行，以便转置卷积输出与输入大小相同的形状。