本文提出一种同时利用图像空间和通道特征的 Transformer 模型，DAT（Dual Aggregation Transformer），用于图像超分辨（Super-Resolution，SR）任务。DAT 以块间和块内的双重方式，在空间和通道维度上实现特征聚合，从而具有强大的图像表示能力。具体来说，DAT 在连续的 Transformer 块中交替应用空间和通道自注意力，以实现块间聚合。同时，本文还提出自适应交互模块（Adaptive Interaction Module，AIM）和空间门前馈网络（Spatial-Gate Feed-forward Network，SGFN）来实现块内特征聚合。AIM 从空间与通道为徒改进现有注意力机制，SGFN 在前馈网络中引入了非线性空间信息。实验证明，DAT 实现目前最先进的图像超分辨率性能。
论文链接：
https://arxiv.org/abs/2308.03364
代码链接：
https://github.com/zhengchen1999/DAT
一、 研究问题
图像超分辨率（Image Super-Resolution，简称图像 SR）是一种图像处理技术，旨在通过增加图像的细节和清晰度，将低分辨率（LR）图像转换为高分辨率（HR）图像。简单来说，就是将一张小尺寸的模糊图像，变成大尺寸的清晰图像。图像超分辨率技术在实际应用中具有广泛的用途，包括高清电视、监控摄像头、医学影像、卫星图像等。现如今，随着人工智能、机器学习的发展，使用深度学习技术的图像超分辨率成为主流。
二、 方法动机
目前，Transformer 在 SR 任务中表现出色。其核心是自注意力（Self-Attention，SA）机制，能够建立全局依赖关系。而全局关系的建立，对于高分辨率图像的重建尤为重要。然而，全局SA的计算复杂度与图像大小成平方比，这极大的限制了其在高分辨率图像上的应用（这在图像 SR 中很常见）。考虑到这个原因，一些研究人员提出更加高效的 SA，以有效利用 Transformer。总的来说可以分为空间与通道两个方面：
- 空间方面，局部空间窗口被提出来限制全局 SA 的应用范围，从而提出局部窗口注意力（Spatial-Window Self-Attention，SW-SA）。如图（a），空间维度 被划分为多个窗口，注意力在每个窗口中被执行。
- 通道方面，提出通道自注意力（Channel-Wise Self-Attention，CW-SA）。如图（b），注意力沿着通道维度 计算。也就是图中每一个独立的块都作为一个 。
图片1. 不同自注意力机制示意图
这些方法都在降低计算复杂度的同时，实现优异的性能。同时这两种方法对于图像特征（ ）的建模，是针对不同（空间与通道）的维度的。那么，是否可以同时考虑两个维度，在现有方法的基础上，进一步提高Transformer的建模能力，实现更加出色的超分辨率性能呢？
受以上发现的启发，我们提出 DAT（Dual Aggregation Transformer），通过块间和块内双重方式，实现空间和通道特征有效融合。具体来说，我们在连续的 Transformer 块中交替应用 SW-SA 和 CW-SA 。通过这在交替的方式，DAT 能够同时捕获空间和通道信息，实现块间特征聚合。同时，为了实现块内特征聚合，我们还提出自适应交互模块（Adaptive Interaction Module，AIM）和空间门前馈网络（Spatial-Gate Feed-forward Network，SGFN）。AIM 对 SW-SA 和 CW-SA 建模单一维度进行改进，SGFN 则在前馈网络中引入非线性空间信息。
总体而言，我们的贡献可以总结为以下三点：
- 设计了一种新的图像超分辨率模型：DAT。该模型以块间和块内双重方式聚合空间和通道特征，增强 Transformer 的建模能力。
- 交替应用空间和通道自注意力，实现块间特征聚合。此外，还提出 AIM 和 SGFN 来实现块内特征聚合。
- 进行了大量实验，证明提出的 DAT 实现最先进的图像超分辨率性能，同时保持较低的复杂性和模型大小。
三、方法介绍
在本节中，我们首先介绍 DAT 的架构。随后，我们详细阐述自适应交互模块（AIM）和空间门前馈网络（SGFN）两个组件。
3.1 模型架构
图片2. 模型架构
3.2 自适应交互模块（AIM）
3.3 空间门前馈网络（SGFN）
图片4. 空间门前馈网络（SGFN）
传统的前馈网络（Feed-Forward Network，FFN）有线性层和非线性激活组成。只能够对特征通道进行建模， 但忽略了建模空间信息。此外，FFN会通过线性层在内部对特征通道进行放大，这导致通道之间存在冗余，从而阻碍了特征表达能力。
为了克服上述问题，我们提出了 SGFN：将空间门控（Spatial-Gate，SG）引入到 FFN 中。SG 是一个简单的门空机制，由深度卷积和逐元素乘法组成。同时，我们将特征图沿着通道维度，均匀的分为两个部分，分别送入卷积和乘法旁路中，以此来降低通道冗余性。并且该操作也能有效降低计算复杂度。
整体来看，AIM 和 SGFN 是 Transformer 块的两个主要组成。通过这个两个模块，我们实现块内的特征聚合：
- AIM 从通道维度增强 SW-SA，并从空间维度增强 CW-SA。
- SGFN 将非线性空间信息引入仅建模通道关系的 FFN 中。
四、实验结果
消融实验：我们对提出方法的各个进行详尽的消融实验，证明了方法的有效性。
图片5. 消融实验
定量对比：我们提出了2个不同大小的模型变体（DAT-S、DAT），与目前最先进的图像超分辨率方法，在5个基准数据集上进行对比。如下表所示，我们的方法取得了最先进的结果。
图片6. 定量对比，最优结果着红色，次优结果着红色
视觉对比：我们在下图中展示了视觉效果的对比结果。可以发现，我们的方法在细节的重建上具有明显的优势。
图片7. 视觉对比
模型大小：我们还提供了模型大小（Params）、复杂度（FLOPs）、性能上的综合对比。我们的方法在实现性能提升的同时，也保持了较低的复杂性和模型大小。
图片8. 模型大小
五、结论
本文提出了 DAT（Dual Aggregation Transformer），是一种用于图像超分辨率 Transformer 模型。DAT 以块间和块内双重方式，聚合空间和通道特征，实现强大的建模能力。具体来说，连续的 Transformer 块交替应用空间窗口和通道自注意力，并实现了空间和通道维度在块间的特征聚合。此外，本文还提出了自适应交互模块（Adaptive Interaction Module，AIM）和空间门前馈网络（Spatial-Gate Feed-forward Network，SGFN），以在两个维度上实现块内特征聚合，从而增强每个 Transformer 块。AIM从两个维度增强自注意力机制的建模能力。而 SGFN 用非线性空间信息补充前馈网络。实验证明，DAT 实现目前最先进的图像超分辨率性能。
作者：陈铮
来源：AIWalker
推荐阅读
- ICCV2023 | 将隐式神经表征用于低光增强，北大张健团队提出NeRCo
- NTIRE2023-RTSR-Track2 冠军方案详解
- AsConvSR | NTIRE2023-RTSR-Track1冠军方案
- YOLO-NAS | YOLO新高度，引入NAS，出于YOLOv8而优于YOLOv8
- ChatGPT是如何看待YOLO系列算法的贡献呢？
本文章著作权归作者所有，任何形式的转载都请注明出处。更多动态滤波，图像质量，超分辨相关请关注我的专栏AIWalker。欢迎添加极术小姐姐微信（id:aijishu20)加入技术交流群，请备注研究方向。
