直接在 384×384 推論, 取得左圖.
模型直接拿 384×384 訓練結果進行推論為512×512, 寬度雖然相等, 但由於推論用的筆寬未曾出現, 就以 384×384 的筆寬出現在 512×512, 如中間圖所示.
在使用 512×512 訓練過之後, 新的模型對舊的筆寬遺忘速度很快, 使用 512×512 訓練過的模型, 改用 384×384 推論, 可以取得右圖, 筆寬變成 512×512 筆寬.
雖然改用 512×512 可以解決部份 staircase 問題, 會比較不明顯一點點, 但還是看的到.
改用512×512 缺點也很多, 訓練時間拉長 2.3倍左右之外, 由於模型權kernel size 要配和低解析度, 造成視野較小, 容易讓部份的複雜筆畫的長度變短, 也會讓原本應該連續的線條推論為分開的線條, 這個是優點同時也是缺點, 部份應該分開的筆畫卻相連的筆畫, 在增加解析度之後, 順利地分開成2個線條, 主要還是視野變小有很多奇怪的副作用, 線條會被中斷。
512×512 還有針對很少出現的部件, 變的更難訓練。
另一個 384×384 vs 512×512 的對比:
圖 1,3,5 (左側) 是 512×512, 圖 2,4,6(右側) 是 384×384, 512 的連續線條, 有可能斷掉, 還有針對較大範圍的勾也會因為視野沒設大, 造成使用小視野(小kernal size) 造成效果沒那麼好, 目前看起來 512×512 較大的優點只有 staircase 相較不明顯。