1. 棋盤效應
當我們要用到深度學習來生成圖像的時候，是往往是基於一個低分辨率且具有高層語義的圖像。這會使得深度學習來對這種低分辨率圖像進行填充細節。一般來說，為了執行從低分辨率圖像到高分辨率圖像之間的轉換，我們往往要進行deconvolution。簡單來說，deconvolution layer可以允許模型通過每一個點進行繪制高分辨率圖像上的一個方塊，這種情況的產生與deconvolution的stride、kernel size有關。
然而，在使用deconvlution的時候，如果出現kernel size與stride無法整除的時候，這時候便會發生uneven overlap。
如下圖中，便會出現圖像中的某個部位的顏色比其他部位更深的情況。
2. 問題產生：kernel size無法被stride整除
stride為1，kernel size為3，這導致了重復上采樣繪圖的部分不均勻（下圖深色部分），
二維情況更為嚴重，
3. 思路
3.1. 思路一：多層重復轉置卷積
一個常見的想法是寄希望於多層重復轉置卷積，希望能抵消掉棋盤效應，但是實際上一般事與願違，
重復的結構使得棋盤更加復雜。
3.2.思路二：kernel為1的轉置卷積
此時可以很好地解決這個問題，
但是……轉置卷積的意義在於上采樣，stride為1還上采毛線……，所以一般會用於卷積棧的末尾作為調整，不過效果有限，
3.3. 思路三：調整kernel權重分布
加大無重疊部分的權重分布可以很好的解決的這個問題，原理如下圖：
但是這種做法會極大地限制模型的學習能力（避免棋盤效應往往會降低模型容量，會使得模型變得更大從而使得難以訓練。原文的話是指： Avoiding artifacts significantly restricts the possible filters, sacrificing model capacity）
4. 更好的上采樣
4.1 方法一：采取可以被stride整除的kernel size
該方案較好的應對了棋盤效應問題，但是仍不夠圓滿，因為一旦我們的kernel學習不均勻，仍然會產生棋盤效應，
在上圖中，我們的weight並不夠平衡，這直接導致了輸出的棋盤效應。
去仔細調節kernel size和stride的大小關系以確保他們盡量能整除。在Twitter的超分辨率文章中的《Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network 》中，作者提出了一種亞像素卷積的上采樣方式。這個方法及其類似於kernel size和stride之間可以整除的情況。但同上一小節分析的一樣，我們可以看到這個方法仍然會出現一定程度的偽影和棋盤效應。
即便如此，采用這個思路去設計網絡仍然是必要的。
4.2 方法二：插值
可以直接進行插值resize操作，然后再進行卷積操作。這種操作在超分辨率文獻中很常見。例如，我們可以采取近鄰插值或者樣條插值來進行上采樣。
5. 最后
