136、DySample 动态上采样在 YOLOv11 中的实现：基于点采样的轻量级动态上采样器
从一次诡异的mAP下降说起
去年年底帮一个做工业缺陷检测的团队调YOLOv11，他们用了一个很重的上采样模块——CARAFE，结果在RTX 3060上推理速度直接掉了40%。更离谱的是，换回最原始的最近邻插值后，mAP反而涨了0.3个点。当时我就觉得，上采样这个环节被严重低估了。
后来翻到DySample这篇论文，第一反应是“这不就是点采样吗”，但仔细看完代码实现，发现它把动态上采样的计算量压到了一个极其恐怖的程度——参数量只有CARAFE的1/20，速度几乎和最近邻插值持平。更关键的是，它在小目标检测上的表现居然比双线性插值好出一截。
DySample的核心逻辑：别学权重，学采样点
传统动态上采样（比如CARAFE）的思路是：对每个像素预测一个重组核，然后用这个核去加权周围像素。这相当于把上采样变成了一个轻量级的卷积操作，但问题是核预测本身就需要大量计算。
DySample的思路完全反过来——我不预测权重，我预测采样点。具体来说，对于输出特征图上的每个像素，我直接预测它在输入特征图上的采样坐标，然后用双线性插值去取那个点的值。这样一来，整个上采样过程就变成了“坐标预测 + 网格采样”，而网格采样在PyTorch里是高度优化的（F.grid_sample）。
这里有个关键细节：采样点不是随便预测的。DySample用了“动态偏移”机制——先对输入特征图做一次全局平均池化，得