我浏览了 ZFNet 论文，似乎 Deconvnet 与转置卷积不同。但是，两者的想法非常相似，很容易混淆。

首先，让我们清楚转置卷积。最近有很多关于它的博客和论文，这里有一篇写得很好的博客： https ://towardsdatascience.com/what-is-transposed-convolutional-layer-40e5e6e31c11 ）。

但是，ZFNet 论文很旧，它引用了这篇论文https://ieeexplore.ieee.org/document/6126474来获取 Deconvnet 的想法。这个想法在某种意义上类似于转置卷积，将具有较小维度的特征图转换为更大维度的特征图。它具有 Unpooling、Rectification 和 Filtering 三个步骤，这使得它不同于转置卷积。为了理解 Deconvnet 的想法，我建议对 ZFNet 论文进行更深入的分析。您可能会发现这些幻灯片很有帮助http://cs.nyu.edu/~fergus/drafts/utexas2.pdf

那么，为什么会出现混乱呢？反卷积最初的定义如本维基百科页面所述：https ://en.wikipedia.org/wiki/Deconvolution 。由于卷积的作用正好相反，因此特征图的上采样（将低维特征图转换为高维特征图）可能被视为反卷积操作。然而，在阅读了一些资源后，我得出结论，有几种方法可以对特征图进行上采样，比如像素洗牌（https://nico-curti.github.io/NumPyNet/NumPyNet/layers/pixelshuffle_layer.html）和转置卷积（前面讨论过）。因此，所有这些操作都以非常不同的方式执行相同的高级操作（导致甚至不同的结果）。

我还建议通过此线程进一步阅读：什么是反卷积层？