一、 卷积空间尺寸的计算与控制卷积操作如同滑动窗口在输入数据上进行特征扫描。对于大小为 $N \times N$ 的输入图像和大小为 $F \times F$ 的卷积核步长为 1 时的输出尺寸取决于填充Padding策略Valid 模式无填充机制卷积核严格在原始数据内部滑动遇到边界即停止。输出尺寸$(N - F 1) \times (N - F 1)$。特点经过多次卷积特征图的空间尺寸会不断缩小例如 U-Net 原始论文中的情况在进行跳跃连接时需要配合中心裁剪Crop操作。Same 模式等大填充机制为了保持输出尺寸与输入一致在原图像外围人工补零厚度为 $P$。输出尺寸目标是让 $(N 2P) - F 1 N$。计算填充量$P \frac{F - 1}{2}$例如 $3 \times 3$ 卷积核单侧填充 $P1$。特点解决了深层网络空间尺寸缩减导致的边缘信息丢失问题便于编码器和解码器同尺度特征图的直接拼接。二、 升维通道扩展的物理意义在 PyTorch 中nn.Conv2d(in_channels, out_channels)完成了通道的映射本质是将物理空间数据转换为高维特征空间数据。通道即特征初始输入的通道如 RGB 的 3 通道或单通道的地震波场记录只代表物理属性颜色强度或振幅。将其升维至 64 通道意味着系统初始化了 64 个不同的特征探测器卷积核生成 64 种不同的特征图。分层抽象浅层网络提取低级、具象特征如数据的边缘、高频噪点、局部同相轴。随着网络加深和池化降采样为了代偿空间分辨率的损失必须继续成倍升维如 128、256、512。这些深层的高通道张量存储着高度抽象的复杂构造信息和全局上下文语义。三、 目标特征的学习机制损失与反向传播网络在初始化时并不知道什么是“随机噪声”什么是“有效信号”。特征的获取完全依赖于数据驱动的试错与纠偏机制前向预测网络用当前的随机参数处理输入输出一个初步结果。计算误差使用损失函数如 MSE 或 L1 Loss计算预测结果与真实标签干净数据之间的差距。反向传播根据链式法则网络将误差反向传递精准计算出每一个卷积核参数的梯度。参数演化经过大量 Epoch 的优化迭代底层参数被不断微调。最终这些卷积核自动演化成了专门针对特定任务如波场重建或弱信号检测的最优滤波器。四、 降维与输出重构高维特征空间如 64 层或 128 层通道是供网络内部计算使用的“抽象语义”最终必须将其坍缩回人类需要的物理维度。1x1 卷积的跨通道融合通过形状为1x1x通道数的卷积核像针一样垂直穿透所有特征图。加权浓缩它将同一像素位置上的高维特征值进行加权求和将极其复杂的判断依据如几十个通道对信号不同侧面的描述浓缩为一个标量结果。维度对齐将[Batch, 64, H, W]这种内部张量降维输出为最终所需的格式如二分类分割的 2 通道或去噪任务的 1 通道[Batch, 1, H, W]完成从特征空间到物理空间的闭环。