当我们非常仔细地观察神经网络生成的图像时，经常会看到一些奇怪的棋盘格子状的伪影（artifact）。这种现象有些情况下比其他情况更明显，但最近的模型很多都会出现这种现象。
出现的原因：当我们用神经网络生成图像时，我们经常从低分辨率、高阶描述中构建图像。这会让网络先描绘粗糙的图像，再填充细节。
因此，我们需要能让图像从较低分辨率达到较高分辨率的方法。我们通常使用反卷积操作。大致来说，反卷积层允许模型使用小图像中的每个点来“绘制”更大的图像中的方块。
但是，反卷积很容易“不均匀重叠”（uneven overlap），使图像中某个部位的颜色比其他部位更深（Gauthier, 2015）。尤其是当核（kernel）的大小（输出窗口的大小）不能被步长（stride）整除时，反卷积就会不均匀重叠。虽然原则上网络可以仔细地学习权重来避免这种情况，但在实践中神经网络很难完全避免不均匀重叠。
重叠图案也在二维中形成。两个轴上的不均匀重叠相乘，产生不同亮度的棋盘状图案。
事实上，不均匀重叠往往在二维上更极端！因为两个模式相乘，所以它的不均匀性是原来的平方。例如，在一个维度中，一个步长为2，大小为3的反卷积的输出是其输入的两倍，但在二维中，输出是输入的4倍。
现在，生成图像时，神经网络通常使用多层反卷积，从一系列较低分辨率的描述中迭代建立更大的图像。虽然这些堆栈的反卷积可以消除棋盘效应，但它们经常混合，在更多尺度上产生棋盘效应。
https://www.sohu.com/a/117948032_473283