上采样（Upsampling）是深度学习中的一种操作，​​用于将低分辨率的特征图（或数据）恢复到更高的分辨率​​，目的是恢复细节信息或匹配目标尺寸。它的核心是“逆向放大”，但并非简单的像素复制，而是通过算法生成新数据。

​​举个栗子🌰​​

假设你有一张模糊的小图（如 10x10 像素），上采样可以把它放大到清晰的大图（如 20x20 像素）。类似手机相册的“无损放大”，但更智能——模型会结合上下文推测缺失的细节。

​​为什么需要上采样？​​

1. ​​恢复细节​​：神经网络通过下采样（如卷积、池化）压缩图像，丢失细节，上采样可逆向补全。
2. ​​尺寸匹配​​：在分割、生成任务中，最终输出需与原图尺寸一致（如输入512x512，输出也要512x512）。
3. ​​信息增强​​：通过插值或反卷积生成更丰富的特征。

​​常用方法​​

​​代码示例（PyTorch）​​

import torch.nn as nn

# 方法1：双线性插值
upsample = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True)
# 方法2：转置卷积
upsample = nn.ConvTranspose2d(in_channels=64, out_channels=32, kernel_size=3, stride=2, padding=1)
# 方法3：PixelShuffle（通道数需能被 scale_factor² 整除）
upsample = nn.PixelShuffle(upscale_factor=2)  # 输入通道需为 4×目标通道

​​关键点总结​​

• 上采样不是万能的，过度使用会导致噪声或伪影。
• ​​转置卷积​​效果强但需调参（调整步长、填充），避免棋盘效应。
• 结合​​跳跃连接​​（如U-Net）能有效利用浅层细节，提升精度。