上采样upsampling, 反池化unpooling, 转置卷积deconvolution

upsampling 上采样

可以翻译为上采样，与下采样对应，是一种增大图片分辨率的技术的统称。
最常见的技术为插值，即把分辨率低的图片放大到需要的大小，再用插值的方法补齐像素的值。

unpooling 反池化

unpooling与pooling相对，那么可以翻译为反池化。与池化相反，是把图片从小变大的操作。
严格意义上来讲，池化过程中丢失了很多信息，是不可逆的。反池化只是一个近似恢复的操作。

如图所示，反池化只是保留了池化时最大值的位置信息，别的地方补零。那么这个和基于插值的上采样技术有什么区别呢？请看下图：

在插值的过程中，同样也保留了位置信息，但是其余的部分都使用相同的数字进行填充。

deconvolution 转置卷积

deconvolution常被翻译为反卷积，常用于卷积神经网络CNN中，指的是一种可以达到与卷积效果相反的运算，即从小的feature map反卷积到大的feature map上来。如下图所示：

但要注意的是，deconvolution并不是数学意义上convolution的逆操作，只是达到的效果相反罢了。

实际上，deconvolution为了达到与卷积相反的效果，只是乘以了一个与卷积矩阵位置相同矩阵的转置，所以比较好的翻译应该是转置卷积Transposed Convolution。转置卷积可以恢复到原来feature map的大小，但不可以完全与以前的feature map值相同。

这篇文章中对为什么叫“转置卷积”做了生动的说明。

转置卷积的目的除了上文中提到的扩大feature map的size，还有一个就是保证了在恢复过程中上下层feature map之间位置关系的对应性。一般来说，需要对原来的feature map先插值，后卷积。所以还有论文把其称作为Fractional Strided Convolution。

这篇博文中的图片给出了形象的解释，具体描述请参考其“普通卷积的计算过程”和“转置卷积（反卷积）的计算过程”两部分。

deconvolution的应用

转置卷积主要用于以下两方面：

1. 在GAN生成样本；
2. 使用编码器来提取特征时，在encoder后作decoder使用。

总结

upsampling只是一种把图片恢复到原始大小的一种技术的统称，具体手段有很多，此文中提到的插值/unpooling/deconvolution/都可以做到。

Renference:
3. What is the difference between Deconvolution, Upsampling, Unpooling, and Convolutional Sparse Coding?
4. 关于转置卷积（反卷积）的理解
5. 一文搞懂反卷积，转置卷积