Deep Stacked Hierarchical Multi-patch Network for Image Deblurring 阅读笔记

Deep Stacked Hierarchical Multi-patch Network for Image Deblurring 阅读笔记

Zhang, H., Dai, Y., Li, H., & Koniusz, P. (2019). Deep Stacked Hierarchical Multi-patch Network for Image Deblurring. Retrieved from http://arxiv.org/abs/1904.03468

本文提出一个深度堆叠的多尺度补丁网络，用于运动去模糊

思路

目前的多尺度递归去模糊的模型存在两个问题：

1. 由粗到细的上采样方案计算开销大
2. 增加模型深度和细化层次并不能提高去模糊的效果
   针对这两个问题，本文提出了一种基于空间金字塔的深堆叠的层级多补丁网络，通过精细到粗糙的分层表示来处理模糊图像。

该网络的优点：

1. 由于不同层次的输入具有相同的分辨率，我们使用残差类学习，采用较小的滤波器尺寸，提高网络的计算速度
2. 我们使用一个类似spm的模型，由于该模型有相对较多的可用补丁，因此可以在最细致的级别上使用更多的训练数据
3. 该网络可以迁移到其他任务，并取得不错的效果。比如图像显著性方面

网络结构

网络结构如下，由4个层堆叠起来行程，每层都有编码器和解码器组成，中间是类似残差网络的结构。网络是从细分的patch逐渐网上计算，对应图上B4->B1这个过程。以B4为例，图片首先被分为不同的patch，输入编码器中，然后将每个patch仅限编码，然后将相邻两个进行连接操作（concatenation），这样就变成了4个patch，再通过解码器解码，的到的结果用$S_{4j}$来表示。B4得出的结果就可以与叠加（加法操作），叠加之后的结果输入编码器，得到编码的结果，该编码结果与B4编码并连接操作后的特征进行叠加，将叠加后得到的结果每相邻两个patch进行连接操作，得到两个patch的特征…就这样一致迭代下去，最终得到网络预测，即整幅图片。最小化网络预测输出和GT的MSE，更新参数

编码器和解码器的结构

b是编码器结构，a是解码器结构。编码器由15个conv层和6个残差和6个RELU模块组成的，解码器和编码器的结构是相似的，只不过将两个卷积层被反卷积层替换以生成图像。编码器和解码器的参数量只有3.6M，远远小于其他的网络，所以这个网络的运行速度很快。

网络运行原理

下面得是一个1-2-4-8结构的网络，1表示$B_1$层的patch数，只有一个；2表示$B_2$层的patch数，为$1\times 2=2$个；同理，3，4表示$B_3$和$B_4$patch的数量，分别为$2\times 2=4$个，$2\times 8$个。当然，也可以增加网络的patch数，但实验证明再细化patch并不能提高效果。

首先将网络分级，分为4个级，用$i,i=\{1,2,3,4\}$表示。
将初始模糊图像输入表示为$B_1$, $B_{ij}$为第$i$级的第$j$个patch，如$B_4$中青色的patch可表示为$B_{47}$。 其中$F_i$和$G_i$为$i$级的编码器和解码器，$C_{ij}$为$B_{ij}$经过解码器$G_i$输出，$S_{ij}$为$G_i$的输出patch。

详细步骤

从第4层开始，逐层往上运行。首先将模糊图片$B_1$分成8个不相交的patch，用$B_{4j}$表示，$j\{1,...,8\}$

将输入的每个patch输入进编码器，得到输出结果$C_{4j}$

将每两个相邻的pathc进行连接(concatenate)操作，如patch1与patch2，以此类推。最终得到4个patch，用$C_{4j}^{\ast }$来表示。这么做的目的是为了和第三层进行叠加

第4层的经过解码器输出的结果用$S_{4j}$表示,如下

第3层
首先将第4层的输入和第3层输入的模糊图片叠加(这里输入的模糊图片和第4层连接过后的尺度是一样的)，将叠加后得到的特征输入编码器，得到一个输出${\mathcal{F}}_3(B_{3j}+S_{4j})$，将编码器得到的输出和第4层concatenate操作的特征图相加，如下式，得到第3层的特征图

如此迭代下去，最终和没有patch的图片($B_1$)叠加，得到网络的输出




最终得到的网络输出用$S_1$表示
$Loss$计算的是$S_1$和$GT$的MSE

设计的两种网络结构

下图上面的一种称为堆叠-DMPHN，下面的一种称为堆叠-VMPHN。这是将单个DMPHN网络按照两种不同的策略堆叠起来，用于提高网络的性能

堆叠实验的结果
从图中可以看到

1. 个DMPH网络，stack-DMPHN，Stack-VMPHN网络都取得了同组对比实验中最好的结果, 第3组和第4组实验结果可知
2. Stack-VMPHN的性能达到最优,PSNR比DMPHN高1.3%
3. 第2组实验结果可知, 使用更加细分的patch不能提高网络的性能
4. DMPHN的运算速度是Stack(2)-VMPHN的18倍
5. Stack(4)-DMPHN 比 DMPHN模型的PSNR高1%
6. VMPHN比DMPHN高0.7%

这是在VedioDeblurring数据集和GoPro数据集进行实验, 得到的实验结果如下, 可以看到Stack(4)-DMPHN的性能都是最优的
为了使我们的网络兼容显著性检测任务，将输出通道修改为1进行灰度图像生成，并在VMPHN中禁用第1层输入与输出之间的残差连接。这是与其他方法的对比, 可以看出本文的方法的效果较好。显著性这块没有看过, 把论文结果贴在这

这个是在MSRA-B运行的结果

总结

本文提出了多层堆叠的多尺度patch网络用于去除运动模糊, 可以实现实时处理(30fps, 1280*760,GPU)。本文采用了多层级联的方法, 从细粒度的patch到粗粒度patch, 使得网络能够能够提取到图片中更多信息, 通过逐层融合, 提高了网络的性能。通过对网络的叠加, 进一步提高了网络的性能。该网络不仅可以运用到运动去模糊,也可以运用到显著性检测任务上

评价

网络主要有两点贡献: 1. 多层多patch网络模型, 2. 网络模型叠加, 主要贡献点在第一个上, 将下一层输出的特征与上一次输入图片叠加, 将下一层编码后的特征与上一层编码的特征叠加。但是为什么这么做是有效的, 文章中并没有指出。总得来说, 文章是用一个SPM思路来解决运动去模糊问题, 并取得了很好地效果