Deep learning Pytork卷积自动编码器输出模糊。如何改进？

我用Pytorch创建了卷积自动编码器，我正在努力改进它

对于编码层，我使用

torchvision.models.ResNet

中预先训练的

ResNet 18 model

的前4层

我的中间层只有一个

卷积层

，输入和输出通道大小为512。对于解码层，我使用

卷积层

以及

BatchNorm

和

ReLU

激活函数

解码层减少了每层的通道：

512->256->128->64->32->16->3

，并通过插值提高图像的分辨率，以匹配编码部分中对应层的尺寸。对于最后一层，我使用

sigmoid

而不是

ReLu

所有卷积层都是：

self.up = nn.Sequential(
                nn.Conv2d(input_channels, output_channels, 
                    kernel_size=5, stride=1,
                    padding=2, bias=False),
                nn.BatchNorm2d(output_channels),
                nn.ReLU()
            )

输入图像缩放到

[0,1]

范围，并具有

224x224x3

形状。样本输出为（第一个来自训练集，第二个来自测试集）：

---

知道为什么输出模糊吗？所提供的模型已使用

Adam

优化器和

lr=0.00005

对

160个时代的
16000
图像进行了培训。我正在考虑在上面给出的
self.up
中再添加一个
卷积
层。这将增加模型的复杂性，但我不确定这是否是改进模型的正确方法。
您的解码层不应该有
ConvTranspose2d
？此外，resnet在开始时有一个7乘7卷积层和一个Maxpool层。那么，您在解码时考虑过这些问题吗（为了保持对称，尽管这不是强制性的）？此外，你可以尝试提高一点学习速度（可能是1e-4或5e-4）。自动编码器通常都很模糊。这难道不是开发GANs的动机吗？@akshayk07谢谢你的回答。我以前在其他任务中使用了
ConvTranspose2d
，但我发现通常
Conv2d
后跟
nn.functional.interpolate
效果更好。我会努力改变，使我保持对称。我使用了1e-3和1e-4，但我发现损失反弹太多，所以我使用了较小的学习率@jodag感谢您的回复。我试图查看其他自动编码器的输出，但它们也很模糊。我想我不能提高输出太多。我想问题是你想用这个自动编码器实现什么？您是否试图将数据投影到较低的维度，然后将其用于分类、回归等？如果你的复制品模糊不清，这可能无关紧要。你的解码层不应该有
ConvTranspose2d
？此外，resnet在开始时有一个7乘7卷积层和一个Maxpool层。那么，您在解码时考虑过这些问题吗（为了保持对称，尽管这不是强制性的）？此外，你可以尝试提高一点学习速度（可能是1e-4或5e-4）。自动编码器通常都很模糊。这难道不是开发GANs的动机吗？@akshayk07谢谢你的回答。我以前在其他任务中使用了
ConvTranspose2d
，但我发现通常
Conv2d
后跟
nn.functional.interpolate
效果更好。我会努力改变，使我保持对称。我使用了1e-3和1e-4，但我发现损失反弹太多，所以我使用了较小的学习率@jodag感谢您的回复。我试图查看其他自动编码器的输出，但它们也很模糊。我想我不能提高输出太多。我想问题是你想用这个自动编码器实现什么？您是否试图将数据投影到较低的维度，然后将其用于分类、回归等？如果你的复制品模糊不清，这可能无关紧要。