图像下采样再上采样维度不匹配

图像在下采样后再上采样，维度会发生不匹配，假设一幅图像的维度为(b,c,h,w)，那么当h和w是偶数的时候，下采样和上采样是匹配的，当且仅当他是偶数的时候才匹配，然而图像的h和w往往不一定是偶数。当然有许多种方法可以将图像的长和宽变为偶数，但是如果图像下采样的倍数过多时，比如：
(1,3,240,320)>(1,64,120,160)>(1,64,60,80)>(1,128,30,40)>(1,256,15,20)>(1,512,8,10)
上图是图片经过resnet34后的输出。
如果这时再进行上采样，那么维度就会变成(1,256,16,20)这和原始下采样是不匹配的，无法进行下一步操作。
那么如何在不进行图像剪切情况下还可以恢复到原图大小？
我认为转置卷积是一个很好的办法，转置卷积的out_padding参数就可以控制输出图片的大小。out_padding就是在图像的外围进行填充。
图片的长和宽有如下几种类型：
(奇数，偶数)，（奇数，奇数），（偶数，偶数），（偶数，奇数）
针对不同的类型，我们设置不同的padding。

import torch
import torch.nn as nn

def convt_bn_relu(x,ch_in, ch_out, kernel=3, stride=2, padding=1,):
    assert (kernel % 2) == 1, \
        'only odd kernel is supported but kernel = {}'.format(kernel)
    b,c,h,w = x.shape
    if (h % 2 == 0) and (w % 2 == 0):
        output_padding = (1,1)
    elif (h % 2 == 1) and (w % 2 == 0):
        output_padding = (0,1)
    elif(h % 2 == 0) and (w % 2 == 1):
        output_padding = (1,0)
    else:#(h % 2 == 1) and (w % 2 == 1)
        output_padding = (0, 0)
    x = nn.ConvTranspose2d(ch_in,ch_out,kernel,stride,padding,output_padding)
    return x

y = torch.rand(1,3,120,150)

l = nn.Conv2d(3,64,kernel_size=3,stride=2,padding=1)
f = l(y)
print(f.shape)#(1,64,23,25)

o = nn.Conv2d(64,64,kernel_size=3,stride=2,padding=1)
r = o(f)
print(r.shape) #(1,64,12,13)

z = convt_bn_relu(f,ch_in=64,ch_out=64,kernel=3,stride=2,padding=1)#y只起到确定outpadding的作用
m = z(r)
print(m.shape)#torch.Size([1, 64, 6, 8])

k = convt_bn_relu(y,ch_in=64,ch_out=3,kernel=3,stride=2,padding=1)
j = k(m)
print(j.shape)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

假设下采样两倍，我们同时上采样两倍。原始的图片尺寸是(奇数，偶数)，代码会执行： elif (h % 2 == 1) and (w % 2 == 0):，那么output_padding = (0,1)。
下采样：(1,3,15,20)>(1,64,8,10)>(1,64,4,5)
上采样：(1,64,4,5)>(1,64,8,10)>(1,3,15,20)

这里下采样了两次，是因为有些情况，比如(45,60)>(23,30)>(12,15)每次都除不尽，用上述代码也可以正确的恢复出来。