保持 1×1 网格，增加左右差通道即可让甲乙从同为 .5 变成 [.5,+1] 与 [.5,−1]。这说明信息不只由空间尺寸决定，也说明新通道只保证当前任务所需区别，并没有恢复任意原图。
左侧 0.5 重复成四格；右侧新增左列均值减右列均值通道，A=[.5,+1]、B=[.5,−1]。
要恢复刚才的区别，不一定只能提高空间分辨率。也可以让表示多保存一种统计：左列均值减右列均值。于是一个输入得到正一，另一个得到负一，下游就能够区分。 这个例子说明，网格大小和信息量不能简单画等号。更粗的网格加上合适通道，可能保存某种细节；更密的输出格子，也可能只是重复同一个数。 回到真实网络，要靠训练、结构和监督决定它保留什么。我们已经有了一个更有用的诊断顺序：先检查输入差异是否进入表示，再检查区域和采样是否对齐，最后看预测头怎样使用它。三件事都明确，分割错误才不再只是一个笼统的“模型不够强”。
继续用甲、乙两张 2×2 图。第一通道取均值 .5，第二通道取左列均值减右列均值。甲得到 ，乙得到 ，因此表示分别为 与 。空间大小都是 1×1，却已经有了可区分输入。
一个简单读出只需看第二通道符号，就可判断亮列在左还是右。与 P44 相比，成功不来自输出图画得更密，而来自编码器在压缩时额外保存了一项与任务有关的统计。
也不要因此推断两个通道足以恢复任意 2×2 图案。四个像素有更多自由度，均值与左右差只保存两种统计，仍可能有别的图案碰撞。表示的价值应围绕任务判断：如果只要左右，这项统计够用；若还要区分上下，就需要保留额外差别。
真实网络的通道是训练学到的，通常不是这样手写。因此下游 probe、迁移任务与可控干预仍然重要。张量有多少格、多少通道，提供的是容量线索，不是任务信息已被利用的证明。
新增通道为左右列均值之差，A:+1，B:−1。它说明存在一种保存方向的编码，不保证真实网络或增加通道数量就会自动学到。
这段模拟追问帮助核对两类实验的固定条件，不作为已发生课堂对话。
以下是备课用的模拟追问，不是已发生的课堂对话或学习效果记录。
学生： 论文说 RoIAlign 更准确，这里却说换采样没用，是不是自相矛盾？
教师： 先把两个输入条件指出来。论文比较不同区域读取方式训练的模型，特征里有可以利用的空间线索；正确坐标让它读得更好。现在图上甲乙都被我们规定为同一个 .5，框也相同，读取器没有得到任何左右差别。它不是读取错了地方，而是没有不同内容可读。
学生： 那我先把 .5 放大成很多像素呢？
教师： 指着甲乙放大的第一行看，它们是不是还一样？增加输出位置没有改变函数的输入。再看下一页，我们增加左右差通道，甲是 +1、乙是 −1。这次确实提供了新信息，所以同一个读出可以给出不同答案。
学生： 实际分割不好，我怎么知道是哪种情况？
教师： 先检查标注与坐标能否对上，再固定模型做采样对照；若疑似特征不区分，可以尝试接入较细层，或设计有针对性的 probe。一次失败可能有多处原因，不能从一张模糊 mask 直接断言。
先读本页解释与图，再到 LAB03 改一个坐标或对象。