解卷积和调整大小之间的实际区别，然后是卷积扩展

Question

我需要从图层input = HxWxn1进行（上采样），其中H：高度，W：宽度和n1：过滤器数量，到层output = 2Hx2Wxn2，其中2H = 2 *高度等和n2=n1/2：新过滤器的数量。实现此目的的一种方法是使用转置卷积运算符。然而，众所周知，反卷积（转置卷积）算子可以导致checkerboard artifacts。克服此问题的一种方法是执行调整大小，然后应用卷积映射。例如。

output = transpose_conv2d(input,n2,kernel!=(1,1),stride!=1)

vs

output = resize(input) # e.g. bilinear interpolation
output = conv2d(output,n2,kernel=(1,1),stride=1)

显然，在第二种情况下，我们只是改变了过滤器的数量，而且我们不会学习＆＃34;任何功能（我们不会总结来自input图层的信息）。但这可以通过内核大小kernel!= 1的另一个卷积来解决。 E.g。

output = resize(input)
output = conv2d(output,n2,kernel=(1,1),stride=1)
# appropriate padding
output = conv2d(output, n2, kernel != (1,1), ...)

两种上采样方法之间是否存在实际差异（除计算复杂性外）？我知道后者解决了棋盘格的问题。