缺失像素不是黑色像素：部分卷积怎样重新计数并更新掩码

昨天 3阅读

图像修复中，把缺口统一填成零很方便，但真实黑色像素也可能是零。如果模型只看到数值，就无法区分“已观察到黑色”和“根本没有观察”。部分卷积同时接收特征与有效掩码，并按窗口里实际可用的位置重新缩放。用三个格子就能检查这套操作是否写对。

AI生成的概念示意图：镂空格表示缺失，深色实格表示有效观测；拼块不是修复样例或真实输入图像。

把数值与是否可用分成两个输入

考虑单通道、长度为三的教学窗口。输入X=(2,100,4)，掩码M=(1,0,1)，1表示有效；中间的100只是缺口占位值。固定权重W=(1,2,1)，偏置b=1，按对应位置相乘求和。

先屏蔽无效位置：X与M逐项相乘得到(2,0,4)，加权和为6。窗口共有三个位置，有效位置两个，缩放因子为3/2。按论文定义，输出为6×3/2+1=10。偏置是在缩放完成以后再加的。

普通零填充卷积会得到6+1=7；若把偏置也跟着放大，则得到(6+1)×3/2=10.5。这三个输出分别对应三套不同计算。直接调用带偏置卷积后乘比例，必须先减掉原偏置，缩放后再加回，才能实现本文的公式。

把中间100换成-50、0或999，只要掩码仍为0，输出都应是10。这是很有用的不变性测试。如果输出跟着改变，说明缺失值没有被正确屏蔽，或后续路径绕过了掩码。

但若中间位置确实观测为0，掩码应改成(1,1,1)。此时加权和仍为6，有效计数变为3，缩放因子为1，输出变成7。两组屏蔽后的数值相同，结果不同，区别正来自“黑色已知”与“这里未知”。不能从X是否为零自动生成有效掩码。

如果M=(0,0,0)，论文定义输出为0，新掩码也为0；此时不要执行三除以零，也不要仅因偏置是1就输出1。掩码全为1时，部分卷积退化为同一权重和偏置的普通卷积，这可以作为另一条边界断言。

只要一个窗口包含至少一个有效输入，输出位置的新掩码就设为1，否则为0。为看清传播过程，另设一行初始掩码(1,0,0,0,1)，长度三的窗口逐格移动，步长为1，两边各补一个无效位置以保持长度。

第一层更新后得到(1,1,0,1,1)：中间那个窗口仍没有有效输入。第二层按相同规则更新，五个位置全变成1。程序逐窗口统计有效数量，复核了这个结果。

这不表示五个位置都变成真实拍摄到的像素。第一层新产生的可用特征可以给第二层提供信息，掩码表达的是计算过程中的有效性。它既不是原始观测来源标记，也不是修复置信度；若业务要区分原图与生成内容，应另外保留最初的缺口掩码。

有效提示可以写成：“为每个窗口输出屏蔽后的输入、有效计数、缩放因子、偏置处理、最终值与新掩码；验证改变占位值不影响结果，已知零与缺失零必须区分。”用单通道小例通过后，再扩大到多通道与二维窗口。

多通道实现需要明确掩码是逐通道保存还是在通道间共享，并使总位置数与有效计数使用同一口径。若一个统计跨所有通道、另一个只数空间位置，比例就会多出通道倍数。边界填充也要说明哪些位置被当成有效。

按有效数量缩放只是网络层的计算规则，不能保证任意缺口里的真实内容都被无偏恢复。最终图像质量还依赖训练目标、网络与数据。本文帮助读者检查掩码传播与算子实现，不把算对一个窗口描述成已经解决了图像修复。

资料核对日期：2026年10月3日。本文数值为原创教学设定，已用本地程序复算，未训练真实模型或验证生产效果。