复现代码参考：
复现代码参考：
基本原理
该上采样算子拥有若干显著特征，包括，能够，实现，像素，空间的，扩展，并且，可以，保持，图像，细节，信息，同时，还，有助于，提升，分辨率，水平，它，还，能够，有效，减少，边缘，模糊，现象，并且，增强，整体，视觉效果，使人，感觉，更加，清晰，明亮，这种，算子，特别，适合，用于，高清，视频，处理，以及，复杂，场景，的，图像，重建，它，还，可以，适应，不同，应用，场景，对，输入，数据，进行，灵活，的，调整，以满足，各种，特定，需求
感受范围广阔：能更充分地运用邻域数据。, 对内容有感知：提升层核需与特征图的语义关联，依照输入内容执行提升操作。, 追求简洁：避免增加过多的参数和运算负担。
这个结构包含两大核心部分，分别是上采样核生成单元和特征整合单元。设定放大系数为 $r$，当接受一个维度为 $C \times H \times W$ 的输入特征矩阵时，会先利用上采样核生成单元来计算上采样滤波器，接着借助特征整合单元执行上采样操作，最终输出一个尺寸变为 $C \times rH \times rW$ 的特征矩阵。
上采样核预测模块
特征图通道压缩：
输入特征图的大小为 $C \times H \times W$，接下来，通过一个 $1 \times 1$ 的卷积层，将通道数量减少到 $C // 4$，这样做是为了降低后续计算过程中的负担。
内容编码及上采样核预测：
当上采样滤波器的尺寸为 $k \times k$ 时，其覆盖的区域范围和所需进行的运算量都会随之增加。若要让特征图的每一个点都采用不一样的上采样滤波器，就必须确定一个形状为 $k^2 \times H \times W$ 的预测参数矩阵。压缩后的输入特征图，运用一个 $3 \times 3$ 的卷积层进行预测，该层输入通道数量为 $C // 4$，输出通道数量为 $k^2$，接着将通道维度在空间维度上展开，从而得到一个 $k^2 \times H \times W$ 形状的上采样核。
上采样核归一化：
对第二步生成的上采样滤波器执行标准化，确保其系数总和等于 1。
特征重组模块
针对输出特征图的每一个点，需要找到它在输入特征图中的对应位置，然后提取以该位置为基准的中心 $k \times k$ 区域，接着将这个区域与预测出的该点的上采样核进行逐元素相乘，最后将所有乘积相加得到最终输出值。每个位置的所有通道都使用相同的一个上采样核进行计算。
task与yaml配置
详见：