【CVPR2022】Restormer: Efficient Transformer for High-Resolution Image Restoration
a
1、研究动机
论文的 motivation 非常简单，就是认为CNN感受野有限，因此无法对长距离像素相关性进行建模。因此，想使用 Transformer 的思路来进行图像修复。
2、主要方法
论文整体框架如下图所示，还是类似UNet的结构，按着1/2，1/4, 1/8 下采样，在中间添加skip connection。如图中画红圈的部分展示，每个 Transformer block 由两个部分串联组成：MDTA 和 GDFN。
对于特征上下采样，作者分别采用 PyTorch 里的 pixel-unshuffle 和 pixel-shuffle 实现，非常类似 swin transformer 里的 patch merging （不清楚实现是不是一样的，还没时间比较，汗 ~~~）。
MDTA （Multi-Dconv Head Transposed Attention）
Transformer中计算量主要来自于注意力计算部分，为了降低计算量，作者构建了MDTA，不在像素维度计算 attention，而是在通道维度计算。过程很简单，先用 point-wise conv 和 dconv 预处理，在通道维计算 atteniton，如下图所示。
直接看代码：
## Multi-DConv Head Transposed Self-Attention (MDTA)
class Attention(nn.Module):
def __init__(self, dim, num_heads, bias):
super(Attention, self).__init__()
self.num_heads = num_heads
self.temperature = nn.Parameter(torch.ones(num_heads, 1, 1))
self.qkv = nn.Conv2d(dim, dim*3, kernel_size=1, bias=bias)
self.qkv_dwconv = nn.Conv2d(dim*3, dim*3, kernel_size=3, stride=1, padding=1, groups=dim*3, bias=bias)
self.project_out = nn.Conv2d(dim, dim, kernel_size=1, bias=bias)
def forward(self, x):
b,c,h,w = x.shape
# 升维，卷积，分块得到qkv
qkv = self.qkv_dwconv(self.qkv(x))
q,k,v = qkv.chunk(3, dim=1)
# 维度变化 [B, C, H, W] ==> [B, head, C/head, HW]
q = rearrange(q, 'b (head c) h w -> b head c (h w)', head=self.num_heads)
k = rearrange(k, 'b (head c) h w -> b head c (h w)', head=self.num_heads)
v = rearrange(v, 'b (head c) h w -> b head c (h w)', head=self.num_heads)
q = torch.nn.functional.normalize(q, dim=-1)
k = torch.nn.functional.normalize(k, dim=-1)
# [B, head, C/head, HW] * [B, head, HW, C/head] * [head, 1, 1] ==> [B, head, C/head, C/head]
attn = (q @ k.transpose(-2, -1)) * self.temperature
attn = attn.softmax(dim=-1)
# [B, head, C/head, C/head] * [B, head, C/head, HW] ==> [B, head, C/head, HW]
out = (attn @ v)
# [B, head, C/head, HW] ==> [B, head, C/head, H, W]
out = rearrange(out, 'b head c (h w) -> b (head c) h w', head=self.num_heads, h=h, w=w)
out = self.project_out(out)
return out
GDFN (Gated-Dconv Feed-Forward Network)
VIT中使用全连接网络FFN处理，在本文中作者有两个改进：1）引入 gating mechanism， 下面分支使用GELU激活。2）使用 dconv 学习图像局部结构信息。
直接看代码：
## Gated-Dconv Feed-Forward Network (GDFN)
class FeedForward(nn.Module):
def __init__(self, dim, ffn_expansion_factor, bias):
super(FeedForward, self).__init__()
hidden_features = int(dim*ffn_expansion_factor)
self.project_in = nn.Conv2d(dim, hidden_features*2, kernel_size=1, bias=bias)
self.dwconv = nn.Conv2d(hidden_features*2, hidden_features*2, kernel_size=3, stride=1, padding=1, groups=hidden_features*2, bias=bias)
self.project_out = nn.Conv2d(hidden_features, dim, kernel_size=1, bias=bias)
def forward(self, x):
x = self.project_in(x)
x1, x2 = self.dwconv(x).chunk(2, dim=1)
x = F.gelu(x1) * x2
x = self.project_out(x)
return x
其它细节与实验分析
网络在下图中画红圈的部分还有一个细节，这个位置没有像之前的两个 block 使用 1X1 的卷积来降维，而是又使用了几个 Transformer block 来处理，叫做 Refinement stage。作者有一个实验专门验证这个 Refinement 阶段的有效性。
从 Level-1 到 Level-4 ，Transformer block的数量是 [4,6,6,8]，MDTA中的 head 数量为[1,2,4,8]，通道数为[48,96,192,384]。Refinement阶段有4个block。同时，作者还采用了 progressive training 的策略，输入图像尺寸从 128 到 384 渐增。
作者在图像去雨、单图像运动去模糊、散焦去模糊（在单图像和双像素数据上）、图像去噪（在合成和真实数据上）四个任务做了大量实验以证明方法的有效性。具体可以参照作者论文，这里不过多介绍了。
