逆卷积（Reverse Convolution）与图像恢复

原始论文：Reverse Convolution and Its Applications to Image Restoration

源码地址

• 文档 & 示例：https://github.com/cszn/ConverseNet
• 论文 PDF：https://arxiv.org/pdf/2508.09824

---

1️⃣ 论文背景 & 核心问题

在传统的卷积神经网络（CNN）里，卷积层是把输入特征图与滤波器做点乘，然后求和得到输出。
这一步骤本质上是 “正向” 的：先对特征进行卷积，再得到更高层次的表征。

但在图像恢复任务（去噪、超分辨率、去模糊等）中，我们往往需要把目标图像映射回原始低质量输入。
如果只用正向卷积，很难直接从高维特征“逆推”到低维的重建结果。

问题：如何在网络里实现一种能把高层特征还原为原始空间（即图像）的方法？

论文提出的答案就是 Reverse Convolution (RC) —— 这是一种“反向卷积”，用来把深度特征恢复到像素级别。它与传统卷积有着对称关系，但实现方式和意义完全不同。

---