【菜鸡读论文】Learning-based Video Motion Magnification

Learning-based Video Motion Magnification

哈喽，大家好呀！
这周有点开心，看到了一篇很有趣的论文。最近天气好热，明明已经十一月了，最近的温度却一直在25度以上，甚至有种可以过夏天，穿裙子的感觉。昨天纠结好久，想着今天要不要穿旗袍，因为买来之后就没怎么穿出去过，但又觉得毕竟是要去学校的，还是算了（注意仪表哈哈）。
听说JOJO要来上海了，好开心！我真的好喜欢茸茸小天使！但是没找到帅气的动图，哭哭。真的好爱茸茸！！！放个迪奥大人的动图吧！

（今日论文BGM：《黄金处刑曲》）
让我们带着黄金精神，开始读这篇我觉得非常有价值的论文！

这篇文章的贡献如下：
1、提出来第一个基于学习的视频运动放大方法，它实现了高质量的放大和更少的边缘伪影（如下图所示，可以看到吊车图片比左边的图像效果更好），并具有更好的噪声特性。
2、提出了一个合成数据生成方法，捕捉小的运动，允许学习的滤波器在真实视频中很好地推广。
接下来，我们分别来讲，首先来看模型，接下来再看数据集

Problem statement

给定一个图像其中，x表示位置，t表示时间，表示关于x，t的运动场，运动放大的目标即放大运动使得，其中，为放大因子。在实际应用中，我们往往只想要放大感兴趣区域，如下：

其中，是选择器，用来选择感兴趣区域（ROI），通常是一个时域带通滤波器。
为了简化训练，只考虑一个简单的两帧输入情况。

模型结构

整个模型分为三个部分，编码器，操纵器和解码器，如下所示：

该编码器作为一个空间分解滤波器，提取一个运动表示。
操纵器接收此运动表示并用来放大运动（乘以放大因子）。
最后，解码器将修改后的表示重构为所产生的运动放大帧。

编码器和解码器是完全基于卷积的，并使用残差快来生成高质量的输出。我们在编码器开始时下采样，在解码器结束时进行上采样。实验发现，编码器中有3个3*3的残差块，解码器中有9个残差块效果最好。
我们引入编码器的另一个输出，它表示强度信息（视觉表示），类似于可操纵金字塔分解的振幅。（如图所示有Motion repr.和Visual repr.）这种表示可以减少不期望的强度放大以及最终输出中的噪声。

关于操纵器，我们想学习一个运动表示，
它是线性的。因此，我们的操纵器通过取两个给定帧的运动表示之间的差异，并直接取差之后乘以一个放大系数。
在实际应用中，我们发现操纵器的一些非线性提高了结果的质量。

这里g代表一个33的卷积后面跟ReLU，h是一个33的卷积后面跟一个3*3的残差块。如下图对比了线性和非线性的效果，可以看到非线性的效果更好。

数据集

接下来，我们来看数据集

前景对象和背景图像

我们利用真实的图像数据集因为它们具有真实的纹理。我们使用了来自MS COCO数据集的20万张图像作为背景，我们使用了7000张PASCA VOC数据集分割对象作为前景。随着运动被放大，填充被遮挡区域变得很重要，所以我们将前景对象直接粘贴到背景上进行模拟遮挡。每个训练样本包含7到15个前景对象，从其原始大小进行随机缩放。我们将缩放因子限制在2，以避免纹理模糊。背景和每个物体的运动数量和方向也是随机的，以确保网络学习局部运动。

低对比度的纹理、全局运动和静态场景
上面所讲的训练示例充满了前景和背景相遇的尖锐和强烈的边缘。这导致网络在低对比度纹理上泛化较差。为了提高在这些情况下的泛化性，我们补充了两个例子：
（1）背景是模糊的
（2）在场景中只有一个移动的背景来模仿一个大的物体
这些提高了在真实视频中大的和低对比度的物体上的性能。

小的运动可能与噪声难以区分。我们发现，在数据中包含静态场景有助于网络学习仅由噪声引起的变化。我们再加两个子集，其中：
（1）场景完全是静态的
（2）背景没有移动，但前景在移动
有了这些，我们的数据集总共包含5个部分，每个部分包含20,000个384*384的图像样本。

结果

定性比较

我们的方法很好地保留了边缘，并且具有较少的振铃伪影。如下图，显示了平衡和婴儿序列的比较，基于相位的方法显示了明显的振铃伪影，而我们的方法几乎是无伪影的。这是因为我们的表示是从例子运动端到端训练出来的，而基于相位的方法依赖于手工设计的多尺度表示，不能很好地处理强边。

定量分析

在所有的测试中，我们的方法比基于相位的方法表现得更好。如图9-(a)所示，我们的亚像素性能一直保持得很高，直到0.01像素，并且超过了1个标准差 当运动增加到0.02像素以上时，基于相位的性能。有趣的是，尽管只训练了高达100⇥的放大倍数，但该网络在最小的inpu下表现得相当好 t运动（0.01），其放大系数达到1000⇥。这表明，我们的网络更受它需要产生的输出运动量的限制，而不是它所给出的放大系数。

图9-（b、c）显示了在不同输入运动量的噪声条件下的测试结果。在所有情况下，我们的方法的性能始终高于基于相位的方法 ，当噪声因子增加到1.0以上时，它迅速下降到基线水平。比较不同的输入运动，随着输入运动变小，我们的性能下降得更快( 见图9-（b、c））。这是意料之中的，因为当运动很小时，就很难区分实际的运动和噪声。