【paper-note6】去摩尔纹相关研究现状

摘要

这篇文章写一个去摩尔纹相关研究的综述，理清自己前段时间看的论文。

上一篇paper note提出了摄屏图像去摩尔纹这个问题后，我去找了一下这个领域至今为止的相关工作，找到了大概8篇论文，看了其中4篇，做个综述，分别是：

0. 《Moiré Photo Restoration Using Multiresolution Convolutional Neural Networks》Yujing Sun TIP2018
1. 《MOIR ´E PATTERN REMOVAL WITH MULTI-SCALE FEATURE ENHANCING NETWORK》Tianyu Gao ICMEW2019
2. 《Multi-scale Dynamic Feature Encoding Network for Image Demoir´eing》Xi Cheng ICCVW2019
3. 《Mop Moire Patterns Using MopNet》Bin He ICCV2019

以下用作者的姓代替论文：Sun、Gao、Cheng、He。

方法

Sun TIP2018

主要工作

Sun的工作已经在上一篇论文笔记中详细阐述，这里就简要介绍一下：

1. 首先提出摄屏图像去摩尔纹这个问题，提出摄屏图像的摩尔纹的特点是多频率的（a moir´e pattern spans over a wide range of frequencies）。

   

2. 针对摩尔纹多频率的特性，提出一个多分辨率网络，对原始feature map做下采样（用了S2的conv），在各自的分辨率上顺序卷积，然后利用反卷积（转置卷积）进行上采样，最后紧跟一个C3的conv3x3输出RGB图像，把每一个分支的输出简单相加，得到输出。loss用到是L2距离。

   

   

3. 创造了一个大规模摩尔纹数据集，用的是ImageNet ISVRC 2012 dataset，放在三个屏幕上，用三款手机进行拍摄，每个组合得到15000对图像，共15000*9 = 135000对图像。这成为后续工作的公开数据集。

结果

论文拿了7+1种方法进行对比，多出来的1种是作者把上述网络最后的sum变成了concate，输出C32的feature map，紧跟两个C32的Conv3*3，结果如下。

虽然V_Concate和U-Net有时候会有更高的PSNR，但是其视觉效果并不如Our method。

Future Work

作者还提出了该方法的limit和future work。

1. 首先，有一些failure example，没有说原因，但是我猜是因为网络不能处理低频摩尔纹和大面积色块导致的。

2. 其次，作者说创建数据集的时候可能对齐没做好，或者是拍照时产生移动模糊，或者是摩尔纹自身就破坏了高频信息等等。
3. 再者，可以对摩尔纹进行分类，在处理的时候加入类别信息可能会提升效果。这点应该能解决问题1。
4. 最后，需要一个更好的描述摩尔纹的方式（除了PSNR和SSIM），perceptive loss&GAN loss？。

---

Gao ICMEW2019

这是大连理工大学一个组在ICME Worshop2019上的一个工作，其数据集采用的是上面提出的ImageNet Screen Shot Dataset(ISSD)，借鉴了Sun的思想，提出一个多尺度网络，类似于U-net的encoder-decoder结构，并在跳跃连接的时候应用特征增强分支（FEB），将低分辨率特征融合到高分辨率特征中。loss也是L2 loss。

主要工作

1. 针对摩尔纹的多频率特性，提出一个多尺度特征增强网络（MSFE），基于U-net，结构如下。input layer和output layer都是用了Conv5*5。

   

   其中，Residual Block就是用了何凯明在Resnet中提出的BasicBlock（$B_{1}B$）：

   

   把左边的下采样当作encoder，用Maxpool，右边的上采样当作decoder，用Deconv，sacle factor是2。在对应的层之间采用concatenate加入跳跃连接：
   $$y_i=f[up(y_{i+1}),x_i]$$
   

2. 特征增强分支（FEB）

   

   FEB加在每一个跳跃连接中间，将低分辨率的特征融合进高分辨率的特征，融合的操作原文中叫做semantic embedding operation（X），这是Zhang[1]提出来的，就是element-wise的乘法。

   

   缺点很明显，只把低分辨率的特征嵌入到高分辨率特征中，没有把高分辨率信息融合到低分辨率特征。

结果

论文拿了Sun的方法、U-net和U-net+FEB以及自己的MSFE（baseline+feature enhancing branch+multi-scale）做比较，数据集还是ISSD，结果如下

不过为什么Sun自己说有26.77的PSNR，到了他这里就只有21.24了，MSFE的结果也是一般般。

Future Work

这个方法的缺点很明显，层数少；只考虑从下往上融合，没考虑从上往下融合；用了U-net，这种很thin的结构，先下采样到低分辨率再上采样到高分辨率，如果用resnet这种很深的结构效果应该会好。

---

Cheng ICCVW2019

本文是Aim 2019 Demoireing Challenge比赛Fidelity组第二名，Perceptual组第三名，数据集是AIM官方提供的，所用的模型叫做多尺度动态特征编码网络，主要包含两方面：1. Multi-scale 2. Dynamic Feature Encoding。中间用的激活函数是PReLU，loss是Charbonnier loss。

数据集也比较简单，没有Imagenet那么复杂。这个数据集来源是AIM 2019 demoiring challenge[7]的数据集，据说也是合成的。

主要工作

1. Multi-Scale

   多尺度和上面的论文一样，分了四个Branch，每个branch下采样1/2，下采样操作用S2的conv，在branch的最后用Subpixel Conv上采样。

   随后每个分支紧跟一个Scale module操作，可以理解为每个branch分配一个权重，让网络自动去学习其权重大小，具体实现形式可以是每个feature map* factor，最后把每个分支的输出相加，得到最后的output。

2. Dynamic Feature Encoding

   本文最重要的工作就是提出了Channel attention Dynamic feature encoding Residual block(CDR)和Dynamic feature encoding(DFE)，可以用下图解释。

   

• CDR

  CDR是上半部分，除了正常残差块的Conv层，还加入了一个CA层（Channle Attention），CA操作分为squeeze和excitation两部分，squeeze即求每个channle的均值，得到一个1*1*C的特征：

  

  excitation是一个bottleneck：

  

  原文说$W_u$和$W_d$是两个conv1*1, C1/16，但是这样就不是bottleneck了，所以我猜$W_u$是（C, 1/16C)，$W_d$是(1/16C, C)。

  除了Channel级别的attention，还在全局残差之前加入了一个Non-local层（NL），region-level的non-local[2]操作旨在探索当前分辨率的自相似性。

• DFE

  摩尔纹模式是动态变化的，在一幅图像的不同地方有不同的尺度和角度，针对这种特点，收到任意图像风格迁移[3, 4]的启发，采用了一个bypass结构，并用AdaIN（adaptive instance normalizeation）连接。

  如上图下半部分，先计算$x^{enc}$（conv后）的均值和方差：

  

  然后把均值和方差传输主干网络的AdaIN中，计算$x_{i+1}$:

  

  其中${\mu }_i$和${\sigma }_i^2$是指上半部分主干网络经过残差块的特征均值和方差，以此来动态归一化。

3. Loss function

   作者提出，直接用MSE会造成过度平滑和模糊，因此采用Charbonnier loss，只是多了一个charbonnier penalty$ϵ$，设为0.001。

结果

论文找了三个方法做对比，分辨是Sun，Gao的MSFE和用于降噪的DnCNN，结果如下。

Future Work

优点：

1. 这篇论文到处用Attention结构，包含了channel级别的Attention（CDR）和region级别的Attention（Non-local block）。
2. DFE的思想引入的bypass结构和AdaIN块连接，能够进行动态特征编码。

问题也是很明显的：

1. 虽然用了多尺度网络，但是各个分辨率之间没有进行信息交互（Feature Enhance/Interaction）。
2. 高分辨率的特征的卷积层少，低分辨率的卷积层多。理论上应该反过来，越高的分辨率应该有需要越多的卷积层，因为高分辨率能够学到的东西多，低分辨率能够学到的东西少。

He ICCV2019

本文提出了一个MopNet（Moir´e pattern Removal Neural Network），包含了三个部分：

1. 多尺度网络特征整合，解决摩尔纹的多频率问题。
2. RGB Channel级别的边缘检测，解决色彩通道之间的不平衡强度（彩色摩尔纹）。
3. 摩尔纹类别分类器，在网络中加入类别特征。

主要工作

1. 多尺度网络

   

   其多尺度网络参考了DenseNet的结构，中间采用了bottelneck block（之后有空可以细看DenseNet），DenseNet的特点就是较少的channel深度，每一层都把之前所有的feature map拼接起来作为输入，能够提高feature map的利用率，减少网络训练时中间变量的存储量。

   在每个尺度的输出上应用Nonlinear Upsampling上采样至原图像相同大小，再拼接，随后是一个Squeeze & Excitation，作用和上一篇论文一样，做了一个Channel级别的Attention，能够选择性的增强某个尺度的输出特征。公式如下：

   

2. RGB Channel级别的边缘检测器

   

   下面两个模块都是一些tricks，给主干网络增加信息，该模块针对每个RGB Channel进行边缘预测，输入为用sobel算子检测并增强过的摩尔纹图像$I_s$，假设$E_{sr},E_{sg},E_{sb}$是$I_s$的sobel算子检测出来的edge信息，用三个E增强$I_s$，逐Channel相加（WxHx3），输入到edge predictor中，输出干净图像的Edge，训练的时候groudtruth可以用clear图像的sobel edge。公式如下：

   

   网络结构文中没有说，目测类似于U-net，或者FCN这种形式，在每一层的的feature map上应用non-local block，探索其自相似性，以此帮助弱边缘获得更强的相应（通过对强边缘加权）。

   当网络得到原始图像的边缘时，送入特征提取层块得到$F_e$，$F_e$与主干网络的输入特征拼接，目的是保边并防止过度平滑。

3. 摩尔纹类别分类器

   

   对摩尔纹进行分类的思想在Sun那篇文章就提出来了，因为缺乏统一标准和工程量大一直没有人做，本文算是一个很好的尝试。

   本文根据摩尔纹的频率，形状，颜色进行分类，分别为：高频和低频；直线和曲线；单色和多色。可以看到都是二分类，故每张图片就会有三个属性。

   

   这三个属性都是标量（0or1？），经过上采样后拼接起得到$C$，$C$再和主干网络的特征$F_m$拼接起来，输入到$g_r$生成最后的output。

   

   $g_r$ 包含了一个SE block和几个前馈的卷积层。

   这里可以看到：

   1. 网络的特征融合操作都是Concat，这也符合了DenseNet的思想。
   2. SE block可以做为网络Channel级别自动加权的工具，比线性相加要好。

4. 整体结构

   整个网络的目标函数由如下三个loss组成：

   

   其中$L_{E,e}$和$L_{E,o}$分别代表了预测edge和真实edge的L2距离，output和groudtruth图片的L2距离，$\alpha$=0.1，$L_F$代表了feature-based loss，从预训练中的VGG-16的relu1_2层中提取得到的浅层特征。

   首先单独训练了edge prediction 网络50个epochs，训练分类网络20个epochs，然后固定分类网络，端到端的训练整个网络150个epochs。

   数据集也是Sun的那个数据集，摩尔纹分类网络的数据集是从135000对图片中采样12000对图片，人工打标，用预训练的VGG网络fine-tune达到分类器的目的。

结果

拿了DnCNN，VDSR，U-Net，Sun的DMCNN定量比较，在定性比较的时候增加了Yang[5]的传统方法，和photoshop的descreen[6]方法做对比，结果如下：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hdXSwAUi-1573889744545)(https://raw.githubusercontent.com/Badstu/pic_set/master/img/20191116151923.png)]

作者有点偷懒，指标上面直接用了Sun文章里面的数据，不过PSNR还是比Sun高，有说服力。剩下的消融研究是增加工作量的。

Future Work

除了把方法泛化到纹理图像上这种正常操作之外，作者还探索了高分辨率摩尔纹图像的去摩尔纹，受限于显存，高分辨率图像无法在显卡中完整的计算，本文的方法是先下采样HR-input为LR-input，经过去摩尔纹后得到LR-result，再送入预训练好的超分辨率网络，得到HR-input，结果也不错，之后可以考虑把超分和去摩尔纹结合起来。

limitation也是有的，当碰到砂石地面等不规则不稳定的背景时，网络也会出错，主要是由于这种图案的边缘特征很难确定，有待改进。

参考文献

[1] Zhenli Zhang, Xiangyu Zhang, Chao Peng, Xiangyang Xue, and Jian Sun, “Exfuse: Enhancing feature fusion for semantic segmentation,” in Computer Vision - ECCV 2018 - 15th European Conference, Munich,Germany, September 8-14, 2018, Proceedings, Part X, 2018, pp. 273–288.

[2] Tao Dai, Jianrui Cai, Yongbing Zhang, Shu-Tao Xia, and Lei Zhang. Second-order attention network for single image super-resolution. In Proceedings ofthe IEEE Conference on Computer Vision and Pattern Recognition, pages 11065– 11074, 2019.

[3] Xun Huang and Serge Belongie. Arbitrary style transfer in real-time with adaptive instance normalization. In Proceed- ings of the IEEE International Conference on Computer Vision, pages 1501–1510, 2017.

[4] Hao Wang, Xiaodan Liang, Hao Zhang, Dit-Yan Yeung, and Eric P Xing. Zm-net: Real-time zero-shot image manipula- tion network. arXiv preprint arXiv:1703.07255, 2017

[5] Jingyu Yang, Xue Zhang, Changrui Cai, and Kun Li. Demoir´eing for screen-shot images with multi-channel layer decomposition. In IEEE Visual Communications and Image Processing, pages 1–4. IEEE, 2017.

[6] http://www.descreen.net/eng/soft/descreen/descreen.htm

[7] YUAN, Shanxin, et al. AIM 2019 Challenge on Image Demoireing: Dataset and Study. arXiv preprint arXiv:1911.02498, 2019.