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）

5. 
   

   

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