深度学习之上采样方法PixelShuffle

import numpy as np
x = np.array([1,2,3,4])
# 放大因子倍数
scale = 4
x = x[...,None]
x = np.repeat(x,scale,axis=1)
# (4,4)
print(x.shape)
c1,c2 = np.split(x,indices_or_sections=2,axis=1)
c = np.stack([c1,c2],axis=2)
# (4,2,2)
print(c.shape)
# print(x[...,None])
print(c.shape)
c = c.reshape([2,2,2,2])
c = np.transpose(c,[2,0,3,1])
# 相当于把numpy中的c均分给w,h上
print(c.shape)
c = c.reshape([4,4])
print(c)

• 针对一张图片形状为(c,h,w)，batch_size 常常用于训练，这里省略为1.通过卷积神经网络，我们往往可以得到一张卷积特征图（c2,h,w）。通过对像素的重新排列，来实现图像的超分辨率，这是ESPCN中对于PixelShuffle的应用。简单理解，就是将c2中的像素，通过混洗在图片的w，h维度进行拓张。
• 假设我们的原始图像为：

image = np.array([[[1 1]
  [1 1]]

 [[2 2]
  [2 2]]

 [[3 3]
  [3 3]]

 [[4 4]
  [4 4]]])

通过对通道层面，像素重排列。我们得到的结果将会是:

[[1 2 1 2]
 [3 4 3 4]
 [1 2 1 2]
 [3 4 3 4]]