先给结论：生成图像时常用转置卷积从低分辨率「粉刷」到高分辨率。核尺寸不能被步长整除时，有的输出位置被刷到多次，有的只一次，默认就是不均匀。二维上两个轴的图案相乘，一维差两倍会变成四倍，看起来像棋盘。亮色离平均色越远越显眼，因为网络靠偏置就能出平均色，出鲜红更依赖这次粉刷。先放大再卷积，随机初始化就不带棋盘。

为什么「再多训一会儿」抹不掉格子

痛点是算子的默认行为，不是还没学好。转置卷积让低分辨率上的每个点在高分辨率上画一个窗。窗的边长不能被步长整除，重叠次数就随位置周期变化。多层叠在一起，伪影会在多种频率上复合；最后一层用步长一的转置卷积能抑制一部分能被核尺寸整除的频率，仍会漏。理论上网络可以学一套刚好抵消不均匀的权重，但这严重限制滤波器，多通道一交互就更难。连核被步长整除、重叠次数本该均匀时，模型也常常学出能制造类似格子的核。转置卷积太容易表示「制造伪影的函数」，避免伪影才是吃力的那一侧。

这不是某一种对抗生成训练才有的病。风格迁移直出图像同样会出棋盘，改成先放大再卷积就消失。更硬的证据：权重还是随机的时候，转置卷积生成器已经在出格子；全部改成插值加卷积，训练前就没有。格子是上采样算子自带的，不是判别器教出来的。

五步把上采样从「默认格子」改成「默认均匀」

1. 先画重叠图。对每个输出位置数有多少个核窗盖到它。核不能被步长整除，就不要指望学习来抹平。二维要把两个轴的倍数乘起来看。
2. 把「提高分辨率」和「计算特征」拆开。先用最近邻或双线性把特征图放大，再做普通卷积。卷积核在输出窗上是权值共享的，天生不鼓励那种周期性的多重粉刷。实践里最近邻往往比双线性好训，双线性有时把该有的高频也顶住；这是超参经验，不是定理，但棋盘会消失。
3. 核可被步长整除（子像素卷积那一类）只能当减负，不能当修好。均匀重叠仍然很容易学出格子，只是默认没那么狠。
4. 用随机初始化做体检。训练前生成一张图，若已有周期格子，病在算子。不要等对抗训练几个小时再看。最后两层仍用转置卷积，会留下频率二和四；只留最后一层，会留下频率二；全改插值卷积，格子没了。
5. 同时检查反向。对卷积求梯度就是一次转置卷积，步长卷积的判别器会让生成器被梯度牵着画出格子。特征可视化里的高频噪声有一部分来自这里，一部分来自最大池化。抖动位置能对消一些棋盘，但那是在补偿架构，不是架构已经干净。某些像素无理由地比邻居多吃几倍梯度，既不公平，也可能放大对抗扰动。

现场有三条。其一，亮饱和色最容易暴露问题，因为平均色靠偏置就能出，偏离平均才要上采样层出力。评审生成图时不要只看灰蒙蒙的样本。其二，矩阵视角能一次看清差别：转置卷积给每个输出窗独立的一组系数；插值卷积把放大和滤波分开，隐含权值共享，高频周期伪影要另花容量去造。其三，音频等对高频伪影更敏感的模态，同样不该默认转置式上采样。格子在图像上是棋盘，在波形上是嗡声。

把提高分辨率从「可学习的粉刷」改成「先重采样再滤波」，是在改算子的归纳偏置，不是在微调对抗损失。损失再精巧，也抹不掉随机初始化就已经存在的周期。评审时把训练前的随机出图和训练后的出图并排，格子若两边都在，就不要再把锅推给损失。

若只能改生成器一处：所有提高分辨率的步骤改成最近邻放大后接卷积，并用随机初始化体检。训练前仍能看见格子，就还没改干净。

结论：棋盘是上采样算子的默认输出，不是训练没到位

核与步长不能整除时，转置卷积默认不均匀，二维还会平方。学习很难完全抵消，均匀重叠也会学出格子。先放大再卷积，随机初始化就不带伪影。反向的步长卷积同样在铺棋盘。仍用转置卷积当默认上采样，是在让模型每天对抗自己的算子。

你下次看生成图上的格子，先数核能不能被步长整除，再看随机初始化有没有已经在出周期。两问不查，不要先去调损失。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源