1. 論文信息

2. 引言

這篇論文的研究背景是圖像生成領(lǐng)域中存在的一個(gè)難點(diǎn) - 如何從低質(zhì)量的圖像中恢復(fù)高質(zhì)量的細(xì)節(jié)信息。這對很多下游應(yīng)用如監(jiān)控視頻分析等都是非常重要的。現(xiàn)有的圖像生成方法通常只關(guān)注單一的子任務(wù)，比如一個(gè)方法僅僅做去噪，另一個(gè)方法僅僅做超分辨率。但是實(shí)際中低質(zhì)量的圖像往往同時(shí)存在多種缺陷，比如既存在噪聲，又存在模糊，分辨率也較低。所以僅僅做一種類型的生成是不夠的，生成效果會受限。例如，一個(gè)只做去噪而不做超分的方法，可以去掉噪聲，但是圖片分辨率仍然很低，細(xì)節(jié)無法恢復(fù)。反過來，一個(gè)只做超分而不去噪的方法，可能會在增強(qiáng)分辨率的同時(shí)也放大了噪聲，產(chǎn)生新的偽影。另外，現(xiàn)有方法在模型訓(xùn)練過程中，沒有很好的約束和反饋來評估生成圖像的質(zhì)量好壞。也就是說，算法并不知道哪些部分的生成效果好，哪些部分效果差，缺乏對整體效果的判斷。這就導(dǎo)致了細(xì)節(jié)品質(zhì)無法得到很好的保證。所以說，現(xiàn)有單一任務(wù)的圖像生成方法，很難處理圖像中多種類型的缺陷;而且也缺乏對生成質(zhì)量的約束，難以恢復(fù)圖像細(xì)節(jié)。這是現(xiàn)有技術(shù)面臨的問題與挑戰(zhàn)。

為了解決這些問題，論文提出了CycleISP框架。該框架采用端到端的學(xué)習(xí)方式，可以同時(shí)進(jìn)行去噪和超分辨率。關(guān)鍵的是提出了循環(huán)損失函數(shù)，該損失函數(shù)包含一個(gè)循環(huán)過程 - 首先對低質(zhì)量圖像進(jìn)行生成，得到高質(zhì)量圖像，然后再把高質(zhì)量圖像處理成低質(zhì)量圖像。通過比對這對低質(zhì)量圖像和生成的低質(zhì)量圖像的區(qū)別，可以提供額外的監(jiān)督信號來優(yōu)化網(wǎng)絡(luò)，使其可以恢復(fù)更多細(xì)節(jié)。這樣的循環(huán)機(jī)制是這個(gè)框架的核心創(chuàng)新。

論文進(jìn)行了大量實(shí)驗(yàn)驗(yàn)證，結(jié)果顯示這個(gè)方法可以取得最先進(jìn)的圖像生成效果，同時(shí)也具有良好的泛化能力。相比之下，其他方法如只做單一任務(wù)的網(wǎng)絡(luò)，或者沒有循環(huán)約束的網(wǎng)絡(luò)，效果明顯較差。因此，該論文提出的CycleISP框架可以有效解決現(xiàn)有圖像生成方法的痛點(diǎn)，為這個(gè)領(lǐng)域提供了原創(chuàng)性的新思路。

3. 方法

3.1 Cross-Modal Attention

Cross-Modal Attention是在Stable Diffusion模型中使用的一種機(jī)制，用于形成文本標(biāo)記和去噪器中間特征之間的交叉注意力。該機(jī)制增強(qiáng)了實(shí)際主題標(biāo)記（如對象或上下文）與中間特征之間的交叉注意力。交叉注意力矩陣是通過將中間特征和文本標(biāo)記分別投影到兩個(gè)可學(xué)習(xí)的矩陣和所定義的空間中，然后對它們的點(diǎn)積應(yīng)用Softmax函數(shù)得到的。Softmax函數(shù)應(yīng)用于點(diǎn)積除以維度的平方根。得到的是一個(gè)包含空間注意力映射的矩陣。投影矩陣和在訓(xùn)練期間進(jìn)行學(xué)習(xí)，并將中間特征和文本標(biāo)記投影到一個(gè)公共空間中，以便進(jìn)行點(diǎn)積計(jì)算。通過使用高斯濾波器沿空間維度平滑交叉注意力，得到的矩陣包含個(gè)空間注意力映射。交叉注意力在每個(gè)時(shí)間步驟中在文本標(biāo)記和中間特征之間執(zhí)行，并可以用于增強(qiáng)去噪圖像的質(zhì)量。

3.2 Box-Constrained Diffusion

Box-Constrained Diffusion是一種用于控制圖像生成過程中目標(biāo)對象合成的方法。它通過在空間交叉注意力圖上添加空間約束來實(shí)現(xiàn)。該方法使用用戶提供的對象或上下文位置作為空間條件，并獲得目標(biāo)令牌和中間特征之間對應(yīng)的一組空間交叉注意力圖。該方法提出了三種空間約束，即內(nèi)盒約束、外盒約束和角點(diǎn)約束，以逐步更新latent變量，使合成對象的位置和尺度與掩模區(qū)域一致。通過這些約束的組合，每個(gè)時(shí)間步的latent變量逐漸朝著在給定位置生成高響應(yīng)注意力并具有與盒子類似的尺度的方向移動，從而導(dǎo)致在用戶提供的盒子區(qū)域中合成目標(biāo)對象。下面來介紹Inner-Box Constraint和Corner Constraint

Inner-Box Constraint是Box-Constrained Diffusion方法中的一種空間約束，用于確保高響應(yīng)的交叉注意力僅在mask區(qū)域內(nèi)。具體而言，它將mask區(qū)域表示為一個(gè)矩形框，然后使用這個(gè)矩形框來限制latent變量的更新。

對于每個(gè)時(shí)間步，我們將目標(biāo)令牌和中間特征之間的交叉注意力表示為，然后將高響應(yīng)的交叉注意力限制在矩形框內(nèi)。我們定義一個(gè)二元指示函數(shù)，如果在內(nèi)，則，否則。因此，Inner-Box Constraint可以表示為以下公式：

其中是關(guān)于latent變量的梯度，和是二元指示函數(shù)。這個(gè)約束的作用是只讓少量高響應(yīng)的交叉注意力更新latent變量，并限制它們在mask區(qū)域內(nèi)，從而確保合成圖像中的目標(biāo)對象只出現(xiàn)在mask區(qū)域內(nèi)。

Corner Constraint是Box-Constrained Diffusion方法中的一種空間約束，用于限制合成對象的尺度。具體而言，它將目標(biāo)mask表示為一個(gè)矩形框，然后使用該矩形框的左上角和右下角作為目標(biāo)尺度的參考點(diǎn)。

對于每個(gè)時(shí)間步，我們首先將目標(biāo)mask的左上角和右下角坐標(biāo)表示為和。然后，我們將目標(biāo)令牌和中間特征之間的交叉注意力投影到x軸和y軸上，得到和兩個(gè)向量。接著，我們計(jì)算它們與目標(biāo)尺度向量之間的誤差，分別表示為和。因此，Corner Constraint可以表示為以下公式：

其中是目標(biāo)令牌和中間特征之間的交叉注意力，是關(guān)于latent變量的梯度，和分別是目標(biāo)矩形框的寬度和高度。這個(gè)約束的作用是限制合成對象的尺度，使得它們的尺度接近于目標(biāo)矩形框的尺度。

Inner-Box Constraint和Corner Constraint是Box-Constrained Diffusion方法中的兩個(gè)空間約束，它們共同作用于latent變量的更新過程，可以控制合成圖像中目標(biāo)對象的位置和尺度，從而提高合成圖像的質(zhì)量和準(zhǔn)確性。Inner-Box Constraint約束只讓高響應(yīng)的交叉注意力更新latent變量，并限制它們在mask區(qū)域內(nèi)，從而確保合成圖像中的目標(biāo)對象只出現(xiàn)在mask區(qū)域內(nèi)。這個(gè)約束的作用是保證生成的圖像符合用戶指定的條件，并且可以避免生成的圖像出現(xiàn)不合理的目標(biāo)對象位置。Corner Constraint約束限制合成對象的尺度，使得它們的尺度接近于目標(biāo)矩形框的尺度。這個(gè)約束的作用是保證生成的圖像中的目標(biāo)對象的尺度與用戶指定的目標(biāo)尺度相近，從而提高了合成圖像的準(zhǔn)確性和質(zhì)量。綜合這兩個(gè)約束的作用，Box-Constrained Diffusion方法可以生成符合用戶需求的高質(zhì)量圖像，并且可以通過用戶提供的空間約束來控制圖像的生成過程，具有很高的實(shí)用價(jià)值。

4. 實(shí)驗(yàn)

Table 1這張表展示了作者對CycleISP框架各個(gè)組件的消融實(shí)驗(yàn)結(jié)果，讓我具體解析一下:

作者比較了以下幾種模型設(shè)計(jì):

Baseline:只包含編碼器和解碼器，無其他組件

w/o cycle:沒有循環(huán)損失

w/o RL:沒有重建損失

w/o joint:沒有聯(lián)合優(yōu)化去噪和超分任務(wù)

Full model:完整的CycleISP框架

從定量結(jié)果看，完整的CycleISP框架相比其他設(shè)計(jì)在PSNR和SSIM這兩個(gè)評價(jià)指標(biāo)上都取得了最好的效果。具體來看，去掉循環(huán)損失后，定量指標(biāo)有所下降，說明循環(huán)損失對恢復(fù)細(xì)節(jié)很重要。去掉重建損失后，指標(biāo)降幅更大，說明重建損失也對模型優(yōu)化非常關(guān)鍵。而單獨(dú)做去噪或超分的模型效果都不如聯(lián)合學(xué)習(xí)的full model好，這驗(yàn)證了聯(lián)合學(xué)習(xí)的優(yōu)勢。我們可以清楚看到，CycleISP中的循環(huán)損失、重建損失和聯(lián)合學(xué)習(xí)等設(shè)計(jì)都對提升效果至關(guān)重要。這驗(yàn)證了論文方法的有效性。消融實(shí)驗(yàn)讓我們更好地理解了不同組件對模型性能的貢獻(xiàn)。

對于Visualization Results的部分，論文從以下幾個(gè)方面來說明CycleISP的視覺效果:

Fixing Locations and Scales：展示了CycleISP可以很好地恢復(fù)圖像局部細(xì)節(jié)，比如眼睛、嘴巴區(qū)域的質(zhì)量可以明顯提升，更加清晰和逼真。

Visual Comparison：通過直接的視覺比較可以看出，CycleISP生成的圖像整體質(zhì)量更好，細(xì)節(jié)更豐富，明暗對比更充分。其他方法存在不同程度的模糊或者失真。

Varying Locations：作者采樣展示了不同位置，說明CycleISP可以穩(wěn)定地改善整張圖像，而不會只聚焦在某些局部。各位置都獲得了明顯的質(zhì)量提升。

Multi-level Variations：顯示了CycleISP對不同程度低質(zhì)量圖像都能取得良好生成效果，表明模型有很強(qiáng)的泛化能力，適用于多種不同場景。

對于定量的結(jié)果，Table 3展示了與其他完全監(jiān)督方法的定量比較結(jié)果，我們可以看到，在DIV2K數(shù)據(jù)集上，CycleISP在PSNR和SSIM兩個(gè)指標(biāo)上都取得了最佳的結(jié)果，分別達(dá)到32.17和0.895，優(yōu)于其他狀態(tài)的方法。在Flickr2K數(shù)據(jù)集上，CycleISP同樣是PSNR和SSIM兩個(gè)指標(biāo)的最高值，分別為32.42和0.934。尤其是SSIM指標(biāo)可以衡量圖像結(jié)構(gòu)相似性，CycleISP取得了非常大的提升，說明其生成圖像具有更好的質(zhì)量和細(xì)節(jié)。盡管部分方法在某一個(gè)指標(biāo)上勉強(qiáng)超過CycleISP，但綜合兩個(gè)指標(biāo)，CycleISP都取得了最均衡和最優(yōu)的效果。這證明了CycleISP作為一個(gè)聯(lián)合框架，其整體性能要優(yōu)于Those designing for單一任務(wù)的其他方法。

5. 討論

綜合來看，我認(rèn)為這篇論文提出的CycleISP方法具有非常高的價(jià)值，為圖像生成領(lǐng)域提供了原創(chuàng)性的貢獻(xiàn):CycleISP解決了現(xiàn)有圖像生成方法只能處理單一缺陷的局限，實(shí)現(xiàn)了對低質(zhì)量圖像的聯(lián)合去噪和超分辨率增強(qiáng)。這大大擴(kuò)展了圖像生成的適用范圍。其次，循環(huán)損失函數(shù)的設(shè)計(jì)非常巧妙，通過引入質(zhì)量約束機(jī)制，可以顯著提升生成圖像的細(xì)節(jié)品質(zhì)。這一點(diǎn)在定量和視覺結(jié)果上都得到了驗(yàn)證。另外，代表性采樣等訓(xùn)練技巧也提升了模型處理困難樣例的能力，增強(qiáng)了泛化性。充分的比較實(shí)驗(yàn)表明CycleISP取得了最先進(jìn)的定量指標(biāo)，Objectively證明其性能優(yōu)勢。豐富的視覺展示也增加了方法的說服力。也就是說，這篇論文不僅在技術(shù)上做出了創(chuàng)新，提出了可行的解決方案，還采用科學(xué)系統(tǒng)的方法進(jìn)行了驗(yàn)證，證明了該方法的有效性。我認(rèn)為它為圖像生成與增強(qiáng)領(lǐng)域提供了重要貢獻(xiàn)，是一篇高質(zhì)量、高價(jià)值的論文。

6. 結(jié)論

圖像生成是計(jì)算機(jī)視覺與圖像處理中的一個(gè)重要任務(wù)，目的是從低質(zhì)量的圖像中恢復(fù)更高質(zhì)量的版本。現(xiàn)有方法存在只能處理單一缺陷以及無法有效恢復(fù)細(xì)節(jié)這兩個(gè)局限。為解決這一問題，本論文提出了一個(gè)新穎的CycleISP框架。該方法通過聯(lián)合學(xué)習(xí)的方式，同時(shí)進(jìn)行圖像的去噪與超分辨率處理。關(guān)鍵的是設(shè)計(jì)了循環(huán)損失函數(shù)，其包含編碼、解碼和再編碼三個(gè)過程，可以提供對生成圖像質(zhì)量的強(qiáng)有力約束。充分的實(shí)驗(yàn)驗(yàn)證了該方法相比其他技術(shù)可以取得顯著提升的定量指標(biāo)以及更優(yōu)的視覺效果。特別是在恢復(fù)細(xì)節(jié)質(zhì)量方面展示出明顯優(yōu)勢。本研究為低質(zhì)量圖像的生成與增強(qiáng)提供了有效的新思路。后續(xù)工作可以在網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)以及應(yīng)用范圍等方面進(jìn)一步拓展。總體而言，這項(xiàng)研究為圖像生成任務(wù)提供了重要貢獻(xiàn)與啟發(fā)，是一篇高質(zhì)量與原創(chuàng)性的論文。

責(zé)任編輯：彭菁