基于Tile训练的CNN图像重构网格线问题：保留原架构求解

一、先解决数值转换全零问题 #

直接将preds转为uint8全零是因为uint8取值范围为0-255，而你的预测值覆盖了-1.77到2.35的正负区间，必须先做min-max归一化映射：

# 基于已知的预测值极值做归一化
preds_min = -1.77
preds_max = 2.35
# 将预测值映射到0-255区间
normalized_preds = ((preds - preds_min) / (preds_max - preds_min)) * 255
# 转换为uint8格式
uint8_preds = normalized_preds.astype(np.uint8)

转换后不会出现全零情况，同时保留了预测值的相对差异。

二、保留原CNN架构消除网格线 #

1. 加权平均重叠Tile的重构区域 #

改用重叠式Tile提取（比如步长设为Tile尺寸的1/2），对重叠区域采用加权平均策略：

• 给每个Tile的像素分配权重，距离Tile中心越近权重越高（例如用二维高斯核作为权重）
• 重构时，每个像素的最终值是所有覆盖它的Tile对应像素的加权平均，而非直接取单一Tile的像素值
  这种方式能平滑Tile之间的边缘差异，避免出现硬网格线。

2. 校验Tile提取与重构的对齐逻辑 #

检查Tile的步长（stride）和尺寸是否与原图像匹配：

• 若Tile尺寸为T×T，步长为S，确保原图像宽高满足(W - T) % S == 0和(H - T) % S == 0，避免边缘Tile因截断导致预测值偏差
• 处理边界Tile时，对原图像做镜像填充而非零填充，让边缘区域的Tile内容更贴近真实图像分布，减少边缘预测值的异常

3. 后处理平滑滤波 #

在重构完成的图像上应用轻量平滑滤波，无需修改模型：

• 使用3×3或5×5的高斯模糊核（标准差设为0.5-1.0），既能消除网格线，又不会过度丢失图像细节
• 若担心高斯模糊模糊细节，可使用双边滤波，它能在保留边缘的同时平滑区域内的网格线类噪声

4. Tile边缘像素衰减 #

在得到每个Tile的preds后，对Tile的边缘像素（比如边缘1-2个像素）做轻微线性衰减，让Tile边缘像素值向相邻Tile预期值过渡，减少拼接时的突变：

# 以256×256的Tile为例，对边缘2个像素做衰减
tile = preds_tile
edge_width = 2
# 水平边缘衰减
tile[:edge_width, :] *= np.linspace(0.5, 1.0, edge_width)[:, None]
tile[-edge_width:, :] *= np.linspace(1.0, 0.5, edge_width)[:, None]
# 垂直边缘衰减
tile[:, :edge_width] *= np.linspace(0.5, 1.0, edge_width)[None, :]
tile[:, -edge_width:] *= np.linspace(1.0, 0.5, edge_width)[None, :]

内容的提问来源于stack exchange，提问作者George