转置卷积

Parent: ai_keywords

核心定义

转置卷积（Transposed Convolution）是深度学习中用于上采样（Upsampling） 的一种可学习操作。它通过将低分辨率特征图映射为高分辨率输出，实现特征空间的维度扩张。与数学上的“反卷积”（逆过程）不同，转置卷积的权重可通过反向传播训练，常用于语义分割、图像生成、超分辨率等任务，典型代表包括 U-Net 和 GAN 中的解码器。

关键技术点

1. 上采样机制
   通过参数化填充（padding）和步长（stride），使输出尺寸大于输入尺寸。例如，步长 ( s > 1 ) 时，输入像素之间插入零行/列，再执行标准卷积，从而放大特征图分辨率。

2. 与标准卷积的关系
   转置卷积可视为标准卷积的“转置版本”。若标准卷积的核矩阵为 ( K )，则转置卷积的核矩阵为 ( K^T )。但注意：此操作并非严格可逆，因为信息在标准卷积中会丢失（下采样），而转置卷积仅重建空间维度，无法恢复全部原始信息。

3. 棋盘格伪影（Checkerboard Artifacts）
   当步长与核大小不能整除时，转置卷积会在输出中产生周期性不均匀的强度模式，称为棋盘格伪影。解决方法包括：使用可分离卷积、核大小设为步长的整数倍，或采用子像素卷积（Pixel Shuffle）等替代方案。

4. 参数学习
   转置卷积的权重与标准卷积一样可训练，通过梯度下降优化。其计算效率较高，但参数量与标准卷积相同，仅方向相反。

医学/神经科学应用场景

在脑卒中病灶分割任务中，转置卷积是 U-Net 架构的关键组件。以首都医科大学神经病学团队的研究为例：输入多模态 MRI（T1、DWI、ADC），编码器通过标准卷积提取多尺度特征；解码器则利用转置卷积逐步将低分辨率特征图恢复至原始图像尺寸，最终输出像素级梗死区域概率图。此过程能精确定位缺血半暗带与核心梗死区，辅助早期溶栓决策。

此外，在癫痫脑电分析中，转置卷积可用于将编码器压缩的时域特征重新映射回高时间分辨率，重建致痫灶的异常放电模式，提升源定位精度。其可学习特性优于传统线性插值，对非平稳信号更具鲁棒性。