我在这里阅读一篇论文。本文中的作者提出了一个对称发电机网络，该网络包含一堆卷积层，然后是一堆De-Convolution(转置卷积(层。还提到的是，使用适当填充的1大步幅用于确保特征映射大小与输入图像大小相同。
我的问题是，如果没有倒数采样，那么为什么使用转置均匀层？不能仅使用卷积层构造发电机？我是否缺少有关此处转移卷积层的东西(是否用于其他目的(？请帮助。
更新：我正在重新打开此问题，因为我遇到了本文，该论文在第2.1.1节中指出"使用反卷积来补偿细节"。但是，我无法欣赏这一点，因为拟议模型中没有特征地图的缩放采样。有人可以解释为什么在这里首选反卷积吗？在这种情况下，是什么使反卷积层的性能比卷积更好？
在理论上，空间卷积可以用作替代分数卷积的替代品。通常避免使用这种情况，因为即使没有某种类型的合并，卷积层也可以产生小于其相应输入的输出(请参见此处文档中的owidth和oheight的公式(。使用nn.SpatialConvolution产生比输入大的输出大，需要大量的零付费效率低下才能达到原始输入大小。为了使反向过程更容易，添加了小火炬功能以用于分数构成的卷积。
话虽如此，这种情况有些不同，因为每一层的大小保持恒定。因此，将nn.SpatialConvolution用于整个发电机很有可能会起作用。您仍然需要镜像编码器的nInputPlane和nOutputPlane模式，以成功地从功能空间移回输入空间。
作者可能将解码器过程称为仅出于清晰和通用性而使用转置卷积。
本文讨论了卷积和分类的卷积，并提供了我不想在这里复制的漂亮图形。