我知道，已经提出了许多解决方案来训练具有可变输入大小的CNN，但我面临的情况有所不同：
我的数据集由单细胞图像组成，这些图像均具有相同的像素分辨率（0.31x0.31 µm），但大小不同（在细胞分割过程后，来自细胞群体图像的裁剪）。此外，我正在实施VAE以进行多种学习。
因此：
- 使用完全卷积的网络或使用AdaptiveAvgPooling（或与pytorch相比适用于不同的深度学习框架）不是解决方案。对于编码部分来说确实是微不足道的，但是VAE的解码部分将不得不检索输入的原始大小，据我所知，这是不可能的。
- 通常建议将所有图像调整为给定形状，但是：由于所有数据集中的像素分辨率相同，因此尽管大小不同，元素/特征的比例也相同。我希望调整大小会严重破坏信息。细胞之间大小的差异是有意义的（由于形态的变化），所有其他特征的比例仍然相似。
- 我唯一能找到的解决方案是将所有图像归零并裁剪为给定大小。
- 多尺度训练可能无济于事，因为CNN可以专注于给定尺度的特征，因为所有数据都具有相同的像素分辨率。
我的问题是：
- 有人遇到过这种情况吗？我是否错过了另一种更好的方法？
- 如果没有，零填充是否可以胜任工作，这会恶化VAE学习吗？网络将需要学习，对于某些图像，很大一部分需要被忽略，而对于其他图像则不需要。最后，某些单细胞图像只能在填充图像的一小部分中表示。填充图像中单元格的位置可能保留为潜在特征，但不相关。
非常感谢您的帮助