文章来源 | 恒源云社区
原文地址 | Restormer
原文作者 | 咚咚
摘要
- 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。
- 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。
- 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。
- 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
- 输入图像大小为\( I \in R^{H×W×3} \)，首先利用一个卷积操作获得特征嵌入\( F_0 \in R^{H×W×C} \)
- \( F_0 \)通过一个对称的4层编码-解码结构，得到高维特征\( F_d \in R^{H×W×2C} \)，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。
- 编码-解码器之间使用跳跃连接来传递低维特征信息。
- \( F_d \)进一步经过Refinement模块来提取细节特征
- 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：
- 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。
- 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
