Transformer用于超分辨率重建

Posted 2023-03-31 是暮涯啊

记录几篇Transformer的超分辨率重建论文。

1 Learning Texture Transformer Network for Image Super-Resolution（TTSR， CVPR2020）

本文引用已经有200多了。 原文链接

1.1 摘要

文章做的是RefSR工作，主要观点是将Transformer作为一个attention，这样可以更好地将参考图像（Ref）的纹理信息转移到高质图像（HR）中。做法还是比较有意思的，如下图所示，将上采样的LR图像、依次向下/上采样的Ref图像、原始Ref图像中提取的纹理特征分别作为Q、K、V。纹理Transformer包含了4个结构：1）DNN实现的可学习的纹理提取器（learnable texture extractor）2)相关性嵌入模块（ relevance embedding）3)用于纹理转换的硬注意力模块（hard-attention）4）用于纹理合成的软注意力模块（soft-attention）。此外整个纹理Transformer模块可以跨尺度的方式进一步堆叠，这使得能够从不同尺度（例如，从1x倍到4x倍放大率）恢复纹理

1.2 网络结构

鉴于该论文蛮多讲解的，我简单复述一下，最后会贴其他的论文讲解。
1.2.1网络的整体架构
如下图所示，将多个纹理Transformer（即上图）堆叠、上采下采融合来实现超分。
其中RBS为多个残差Block，CSFI为跨尺度特征集成模块（ross-scale feature integration ）
1.2.2纹理Transformer
即图1，介绍一下他的四个组件。
1）DNN实现的可学习的纹理提取器。就是将图像送入DNN，然后DNN可以训练
2）相关性嵌入模块。使用归一化内积计算Q、K之间的相关性。获得矩阵$r_{i,j}$，i，j分别为Q,K的patch数目。
3）硬注意力。通过$h_i=argmax(r_{i,j})$获得对每个LR块，最相似的Ref块的索引。然后从V中获得该特征块组成T。举个例子，比如查询第i=3 LR图像块时，发现在K中，第j=7个图像块跟它最相似，那$h_3=7$，在构建T时，T的第3个图像块就由V的第7个图像块构成。
4）软注意力。获得软注意力图$s_i=argmax(r_{i,j})$，然后利用下式获得输出。
再分析一下这个公式，当S大的时候，说明当前块和T的相关性大，所以用更多的T的特征，如果S小，则使用更少的参考帧特征。

1.3 损失函数

L1 loss + GAN loss + Percepture Loss
其他参考讲解
1）https://cloud.tencent.com/developer/article/1646490
2）https://zhuanlan.zhihu.com/p/320236856

2 SwinIR: Image Restoration Using Swin Transformer（ICCV2021）

论文 代码

2.1 摘要

该文准确来说实现包括SR、denoise、JPEG compression artifact reduction等三项low level image Restoration任务。transformer在high level中效果不错，但没有使用到low level中。因此作者用Swin Transformer实现可一个baseline。

2.2 网络结构

虽说很多大佬，但其实没啥要讲的，网络结构看图就好，还是常见的主体结构学习残差，然后与LR图像相加后上采。
1）Shallow Feature Extraction 为一层3x3卷积。
2）HQ Image Reconstruction在SR任务中采用sub-pixel Conv，就是unpixelShuffle。denoise和JPEG去伪影用一层卷积。
3）对STL，就是Transformer的Encoder结构。将输入划分为$M\ast M$个块X，然后每个X映射为QKV，通过多头attention后将输出concat。MLP通过两层FC实现。作者还进行了划窗来避免图像块之间的信息不融合问题。步长为$M/2$

2.3 Loss

简单的仿真图像SR只使用L1 loss
真实图像SR使用L1 + GAN loss
denoise和JPEG去伪影 使用Cb loss

3 Video Super-Resolution Transformer

论文 代码
transformer用于VSR，被引22。论文还有很多公式，代码也很标准，都可以互相参考着看看。

3.1 摘要

作者觉得transformer本来就是用于处理序列数据的，那VSR正好是视频帧的序列数据。但是传统Transformer包含FC的自注意力层和基于token的前向层（Feed Forward，FF）。这导致以下两个问题：
1）全连接的自注意层由于依赖FC来计算注意图而忽略了对局部信息的利用。
这个是Transformer用于low level经常会谈到的问题，意思是说Tranformer是全局attention的，但是low level任务一般需要局部attention。
2）由于词前馈层独立的处理每个输入，导致其缺乏特征对齐的能力。
这个是说，vsr一般需要帧间特征的对齐，但是transformer的FF层只处理一个token，因此无法做到对齐。
针对以上两个问题，作者分别提出了时空自注意力层（spatial-temporal convolutional self-attention）和基于双向光流的前馈层（bidirectional optical flow-based feed-forward）

3.2 网络结构

整体架构如下：
1）特征提取器，由一堆ResBlock构成。
2）重建模块，文中没说，代码将残差通过两次unpixelshuffle上采4x，然后与双线性插值后的原图相加得到输出结果。
3）位置编码。空间和时序的3D信息
3.2.1 VSRT

1）时空自注意力层。通过CNN提取特征，然后通过unfold和reshape操作获得$Q^T$和$K$，将这两个向量计算attention矩阵。但有个问题是，我感觉$Q^T$连接到紫色输出的线是错的，因为公式和代码都没有这个相乘。

2）基于双向光流的前馈层
即通过前向和后向光流，然后融合输出。

其他参考讲解

1. https://cloud.tencent.com/developer/article/1846290

4 Efficient Transformer for Single Image Super-Resolution

论文挂在arxiv上，有7个索引
其实结构连得超级复杂（摘要里竟然还吐槽其他论文堆积结构参数提升性能 ），有一点是提出了Efficient Multi-Head Attention (EMHA)实现Transformer的轻量化，这点可以稍微讲讲。

4.1 EMHA

主要是在获得QKV之后，将QKV特征分为s组，每组分别进行attention获得输出O，然后将输出Concat，这样可以将大矩阵相乘拆分为多个小矩阵相乘。这也是Transformer常见的减少参数操作。

4.2 HFM

此外作者还用了一个High-frequencyFiltering Module (HFM)提取高频信息，结构如下，仅供参考。
其他内容可以看讲解

5 Microsoft Bing Turing ISR（T-ISR）

Introducing Turing Image Super Resolution: AI powered image enhancements for Microsoft Edge and Bing Maps
这篇不算论文，是微软介绍自家用于Microsoft Edge和Bing Maps上ISR的技术博客。但是效果非常Amazing啊，但缺点是有些地方没有仔细介绍。

5.1 设计原则

1）人类视觉为基准（Human eyes as the north star）
广泛使用的指标如PSNR,SSIM并不总是和人眼视觉的直观感受匹配的，同时也需要GT图。我们构建了一个并行评估工具匹配人眼判断，并将这个工具作为north star metric来引导模型训练。（可是作者没介绍这个工具是啥55555）
2）噪声建模（Noise modeling）
开始作者也是将HR图像降质然后构建HR-LR图相对训练。但这样有些case效果好，但是对真实的LR图像不鲁棒。因此随机对输入图像用blurring, compression 和 gaussian noise进行破坏可以恢复细节。
3）Perceptual and GAN loss
仅pixel loss不够，要引入感知和GAN loss，并用权重结合。
4）Transformers for vision
CNN和Transformer各有优缺点，因此未利用他们各自优点，将网络分为Enhance和Zoom，前者使用Transformer，后者使用CNN。（其实这段也没详细介绍各自优缺点是什么。整体四准则很对我胃口啊，果然英雄所见略同hhhh）

5.2 DeepEnhance – Cleaning and Enhancing Images

在处理高度压缩和从远程卫星拍摄的航拍照片等very noise图像时，Transformer清理噪声做的很好。如人脸的噪声和处理包含很多纹理的森林的特征就很不同。这是因为大数据集和Transformer卓越的远程记忆能力。我们先使用了一个稀疏Transformer，将其放大以支持非常大的序列长度来“Enhance”图像，产生干净的，crisper（脆？）和更具吸引力，尺寸相同的图像。有些场景不需要放大图像，那到这里就可以停止了。
非常难受的是这个结构作者没有详细介绍。

5.3 DeepZoom – Scaling up Images

作者认为双线性和双立方插值都会导致图像信息丢失，因此采用200层的CNN恢复pixel细节

5.4 泛化能力Generalization Ability

T-ISR在几个不同任务的海量多样的数据上进行训练。所以相同的模型可以应用到Bing Maps, Microsoft Edge和其他可能的场景。域的多样性提升了网络的性能。如为处理卫星图中森林做的训练recipe同样提升了自然图像（如人，动物，建筑）的效果。

恒源云 (Gpushare)_Restormer:用于高分辨率图像重建的高效Transformer

文章来源 | 恒源云社区

原文地址 | Restormer

原文作者 | 咚咚

---

摘要

1. 引入主题： 由于卷积神经网络(CNNs)能够从大规模数据中学习到图像的generalizable特征，所以被广泛应用于图像重建和相关任务。最近，另一类神经结构，Transformer，在自然语言和高水平的视觉任务已经显示出显著性能增益。
2. 现存问题： 虽然 Transformer 模型弥补了 CNNs 的不足(即感受域有限和inadaptability to input content) ，但其计算复杂度随着空间分辨率的增加而二次增长，因此不适用于大多数涉及高分辨率图像的图像重建任务。
3. 解决方法： 论文提出了一个有效的Transformer模型，Restoration Transformer，Restormer，通过对基础模块(多头前馈网络)的几个关键设计，使它能够捕捉远距离像素间的相互作用，同时仍然适用于大图像。
4. 实验结果： 在多个图像重建任务上实现最先进的结果，包括图像去噪、单图像运动去模糊、散焦去模糊（单图像和双像素数据）和图像去噪（高斯灰度/颜色去噪和真实图像去噪）
   

算法

Overall Pipline

1. 输入图像大小为$I\in R^{H\times W\times 3}$，首先利用一个卷积操作获得特征嵌入$F_0\in R^{H\times W\times C}$
2. $F_0$通过一个对称的4层编码-解码结构，得到高维特征$F_d\in R^{H\times W\times 2C}$，每一层编码/解码都包括多个Transformer 模块，从上到下，每一层中的Transformer模块数量逐渐递增，分辨率逐渐递减。
3. 编码-解码器之间使用跳跃连接来传递低维特征信息。
4. $F_d$​进一步经过Refinement模块来提取细节特征
5. 最后经过一个卷积层，并与输入图像进行叠加，得到最后的输出图像

如上图所示，每个Transformer模块中包括MDTA和GDFN模块，接下来进行详细介绍。

MDTA(MULTI-DCONV HEAD TRANSPOSED ATTENTION）

一般Transformer模块中的多头自注意力机制具有较大的计算量，在应用到高分辨率图像上是不合适的，所以该论文提出了MDTA模块。

有两个与众不同的方法：

1. MDTA是计算通道上的自注意力而不是空间上，通过计算通道上的注意力来隐式编码全局上下文信息。
2. 在计算自注意力map之间，使用depth-wise卷积操作生成Q、K、V，这样可以强调局部信息。

公式如下：

GDFN( GATED-DCONV FEED-FORWARD NETWORK)

一般的Transformer模块中使用FN进行逐像素特征操作，扩展和减小通道数。

该论文与之不同，使用了（1）门控机制和（2）depthwise卷积

如上图所示，下分支是一个门控单元，用于获取每个像素点的激活状态，使用1×1卷积层来扩展通道数，再使用3×3depthwise卷积层和GELU生成gate map。

并与上分支进行点乘，公式如下：

各层的GDFN通过控制信息流来允许每个层次关注与其他层次互补的细微细节。也就是说，与MDTA相比，GDFN提供了一个独特的角色（专注于丰富上下文信息）。

PROGRESSIVE LEARNING

另外，论文还提出了一种渐进式训练方法。

基于CNN的重建模型通常在固定大小的图像patch上进行训练。然而，在小裁剪patch上训练Transformer模型可能不会编码全局图像统计信息，从而在测试时在全分辨率图像上提供次优性能。

为此，论文采用渐进式学习的方式，在早期阶段，网络在较小的图像块上进行训练，在后期的训练阶段，网络在逐渐增大的图像块上进行训练。

通过渐进学习在混合大小的patch上训练的模型在测试时表现出更好的性能。

由于在大patch上进行训练需要花费更长的时间，所以会随着patch大小的增加而减少batch大小，以保持相同的训练时间。

实验

Image Deraining Results

Single-image Motion Deblurring Results

Defocus Deblurring Results

Image Denoising Results

Ablation Studies