上采样改变读数位置，跨层连接提供额外证据

从 12×12 分数图恢复到 48×48，可以用最近邻复制，也可以用双线性按邻域加权。输出格子多了，是为了在原图坐标上作决定；运算本身没有再次看原图。若细边界的信息已被编码成相同数值，单独放大同一张图不能判断它原来在哪。

但低分辨率并不意味着一切细节必丢。通道、相位与邻域响应可能保留可用线索，训练出的解码器可以利用它们；真正的判断是“差别有没有进入 F”，而不只是 F 的宽高。因此 P37 既不许诺放大恢复真实细节，也不否定学习上采样的价值。

跨层连接做了一件不同的事：把较细层的特征另行送进预测模块。它提供的不是同一粗特征的复制，而是另一份尚可能保留位置细节的输入。深层上下文可帮助识别这是杯子，较细响应可帮助定位杯柄与窄缝；二者仍需通过任务训练学习怎样组合。

转置卷积是可学习的线性运算形式，不是一般意义上可还原任意输入的“逆卷积”。是否保留细节，应通过同源输入、目标、预测与错误图观察。

P38 的杯柄照片只是原图参考：细、粗特征先做坐标对齐，再由预测模块学习组合，交付像素类别分数或掩码，而不是还原那张 RGB 照片。图中的特征格为结构示意，轮廓为教学标注；是否减少空洞和边界错误，要另看模型预测与目标的比较。