PyTorch Conv2d导致SRGAN输出多通道图像出现网格问题求助

训练SRGAN时，输出图像始终存在视觉网格，该问题与Conv2d高度相关：核尺寸越大，网格越粗。此网格仅在处理多通道图像时出现，单通道灰度图像无此现象，仿佛图像在每个卷积层后被反复分块拼接。

问题演示 #

• 大核尺寸（35）下的网格现象：
  
• padding设为reflect时GAN的输出问题：
  

已尝试调整不同的padding mode、group设置、dilation设置，但问题始终存在。相同的SRGAN实现在TensorFlow中无此问题，求可行的解决思路。

可能的解决思路 #

• 核对PyTorch与TensorFlow的卷积差异：PyTorch的Conv2d在通道维度的处理逻辑和TensorFlow存在细节区别，比如reflect padding的边缘计算、通道卷积后的求和方式。可以手动复现小尺度的卷积计算，对比两者的输出结果，定位差异点。
• 调整卷积权重初始化：尝试更换初始化策略，比如用He正态初始化替代默认的Xavier初始化，或者在初始化时给多通道的卷积权重添加微小随机噪声，避免权重过于一致引发规律性分块。
• 增强通道间信息融合：在卷积层之间插入1x1卷积或通道注意力模块（如SE模块），打破通道独立卷积的隔离状态，让不同通道的特征相互作用，消解分块效应。
• 检查数据处理流程：确认多通道图像的预处理（如归一化、裁剪）和后处理是否存在错误，比如是否在通道维度上做了不当的分块操作，导致输入本身带有规律性结构。
• 验证分组卷积的合理性：如果使用了group参数，确保分组数与输入/输出通道数完全整除，同时检查分组后的卷积核权重是否出现了高度一致的情况，必要时手动打乱权重分布。
• 尝试手动实现padding逻辑：若怀疑是reflect padding的实现差异导致问题，可以手动实现和TensorFlow一致的padding操作，再传入卷积层，对比效果。

内容的提问来源于stack exchange，提问作者Georgios Zampoukis