介绍
上采样（upsampling），主要目的是放大原图像
对图像的放大操作不能带来更多关于该图像的信息, 因此图像的质量将不可避免地受到影响。
但使用一些算法可以增加图像的信息，从而使得缩放后的图像质量超过原图质量的。
深度学习中的上采样
主要有三种方式：
- 插值法 (Interpolation)
- 反池化 (unPooling) 。
- 反卷积 (Deconvolution)
插值法
在原有图像像素的基础上，在像素点之间采用合适的插值算法插入新的元素。
插值就是在不生成像素的情况下增加图像像素大小的一种方法，在周围像素色彩的基础上用数学公式计算丢失像素的色彩（也有的有些相机使用插值，人为地增加图像的分辨率）。
所以在放大图像时，图像看上去会比较平滑、干净。但必须注意的是插值并不能增加图像信息。
分类
目前分类比较混乱，说法不一
文献《图像插值技术综述》中将插值算法分为：
- 传统插值
如：双线性插值（bilinear ） - 基于边缘图像的插值
- 基于区域的图像插值
各种插值方法都有各自的优缺点。
常用的插值算法
常用的插值算法有很多
最邻近插值（Nearest Neighbour Interpolation）
双线性插值（Bilinear Interpolation）
双三次插值算法（Bicubic Interpolation）
双线性插值的改进算法等等
最邻近插值（Nearest Neighbour Interpolation）
简单，常用在图片放大，效果不好，会有色块
代码参考请点击
双线性插值（Bilinear Interpolation）
双线性插值是目前在 语义分割 中用的比较多的一种方式
如下图：已知Q12、Q22、Q11、Q21这四个点的坐标和像素值，P点是要插入的像素，求P点的像素值
算法复杂、计算量大、但极大地消除了锯齿现象
反池化（unpooling）
出自2013年纽约大学Matthew D. Zeiler和Rob Fergus发表的《Visualizing and Understanding Convolutional Networks》
论文：https://arxiv.org/abs/1311.2901
max unpooling
在池化过程中，记录下max-pooling在对应kernel中的坐标，在反池化过程中，将一个元素根据kernel进行放大，根据之前的坐标将元素填写进去，其他位置补0。
注意：
上图中，左下角的图，是右上角的图，进行梯度计算后的结果
在CNN中常用的来表示max pooling的逆操作。
在SegNet神经网络中用到
反卷积（Deconvolution ）
参见：
https://www.malaoshi.top/show_1EF52HLXBmqf.html
keras
有UnSampling和反卷积的api
tf.keras.layers.UpSampling2D
tf.keras.layers.Conv2DTranspose
感谢
https://blog.csdn.net/stf1065716904/article/details/78450997
https://www.cnblogs.com/han1ning1/p/6924404.html
https://blog.csdn.net/majinlei121/article/details/46742339
https://www.cnblogs.com/xpvincent/archive/2013/03/15/2961448.html
https://blog.csdn.net/weixin_43206928/article/details/88964128