论文笔记SR——SFT

Recovering Realistic Texture in Image Super-resolution by

Deep Spatial Feature Transform

Abstract

    在单图像超分辨（SR）的高质量重建上，虽然使用CNN会有很好的结果，但是如何恢复自然且逼真的纹理仍是一个挑战性问题。本文在基于语义分割概率图的单个网络中，通过空间特征变换（SFT）提取中间层特征，实现端到端的超分辨重建。

Introduction

    单图像超分辨率旨在从单个低分辨率（LR）图像中恢复高分辨率（HR）图像。传统的SR方法一般是基于MSE，即基于像素空间纬度的MSE loss，这种方法会导致产生的图像模糊且过于平滑。SRGAN提出perceptual loss对特征空间纬度进行优化而不是像素纬度，进一步提出adversarial loss来生成更为自然的图片。使用perceptual loss和adversarial loss极大地改善了重建图像的感知质量。然而，生成的纹理趋于单调且不自然。

    作者探讨了纹理不自然的一个重要原因是由于，对于不用HR片段其对应的LR片段可能会很相同，这就导致在上采样的时，模型很难区分当前图像的片断属于哪一个类别，从而导致合成的图像的纹理不真实。

    本文使用语义分割图作为分类的先验信息来指导SR中不同区域的纹理恢复，使用空间特征变换（SFT）来转换网络的某些中间层的特征，改变SR网络的性能。SFT层以语义分割概率图为条件，生成一对调制参数，用来在空间上对网络的特征图应用仿射变换。

SFT层通过转换单个网络的中间特征，只需一次正向传递就可以实现具有丰富语义区域的HR图像的重建。同时，SFT层可以很容易地引入现有的SR网络结构，能够与SR网络一起进行端到端的训练。

Methodology

3.0定义假设

给定低分辨率图x，超分辨率估计结果，真实超分辨结果y，基于CNN的映射假设为，则有映射关系：

    

基于loss的参数设定：

    

使用语义分割概率图来作为类别先验：

此时，基于先验的映射关系为：

    

3.1 Spatial Feature Transform SFT层

① 参数对

空间特征变换（SFT）层学习"基于先验条件Ψ，输出调制参数对（γ，β）"的映射函数M.

即，M理论上来说应该是任意的方程，但是这里还是指采用卷积神经网络来做这个映射关系，同时SFT得到参数对的过程是条件共享的

参数对（γ，β）通过在空间上对SR网络中的每个中间特征图应用仿射变换来自适应地影响输出，即

② SFT层的结构

SFT layer就是一个小型的network用于生成不同层的condition信息，变换方式：

SFT有两个输入，一个输入是condition network的输出conditions，另一个是上一层的输出F。conditions分别通过两层卷积计算得到γ和β，然后参数对与上层F进行变换，计算整个SFT层的输出，而整个SFT层的输出又作为下一层的输入F。

③ SFT的实现

两层卷积之后直接与F做点乘、加法。

3.2 网络结构

① 网络结构

主体分为三个部分，条件网络condition network、SR网络和上采样部分

a）条件网络将分割概率图作为输入，使用四层卷积处理，它生成所有SFT层共享的中间条件。这里为了避免一个图像中不同分类区域的相互干扰，通过对所有卷积层使用1×1个核来限制条件网络的感受域。

b） SR网络由16个残差块构成，每个残差块包含两个SFT+Conv，所有SFT共享conditions，SFT以共享conditions作为输入并学习（γ，β）以通过应用仿射变换来调制特征图。

c）上采样部分使用最近邻上采样+卷积层进行上采样操作

最近邻插值：在待求像素的四邻象素中，将距离待求像素最近的邻像素灰度赋给待求像素，最邻近元法计算量较小，但可能会造成插值生成的图像灰度上的不连续，在灰度变化的地方可能出现明显的锯齿状。

3.3 Loss Function

感知损失perceptual loss

其中使用预训练的VGG-19特征

对抗损失 adversarial loss

传统的GAN loss，使D对G的判定尽可能的准确

Experiments

①限定七个类别，不属于7类别的则为背景。在训练时，将图像裁剪到只包含一个类别来训练D的识别能力。

②训练时使用包含单个类别的图像进行训练，测试时使用包含多个类别的图像进行测试。

PS：训练时单个类别损失，测试时多个类别，网络是否有效？

——作者在test阶段，输入LR图片和k张分割概率图，每一张概率图中都显示着某一特定物体在该位置存在的概率，输入数据兵分两路进入G，得到输出的SR图像。已经训练好的G+分割概率图，G网络便获得了根据概率图针对性重建图像的能力（根据概率图，将多类别问题转化为单类别问题）

——训练时不是整张图片的训练，而是将原图裁剪到98*98大小进行训练，保证只包含一个分类。但由于使用的是概率图，虽然每次是单个类别，但是整体数据包含了所有的类别，也就保证了结果的鲁棒性。

③D部分，除了包含常规GAN的real/fake分支损失，还包含了一项类别损失，使D能够对不同的类别进行识别，具体是使用多类交叉熵CrossEntropyLoss来对类别进行限制。

summary

① 使用perceptual loss和adversarial loss极大地改善了重建图像的感知质量。然而，早缺少先验信息的情况下，生成的纹理趋于单调且不自然。

② 使用语义分割概率图作为条件先验。传统SR算法着重与PSNR，基于MSE的损失使得图像模糊；SRGAN引入perceptual loss，通过VGG网络提取深层特征进行训练，但纹理信息缺少，因为笼统的提取特征，在遇到不同事物具有相似纹理时往往导致误判，也就是说D网络不尽责，区分墙壁与野草的能力差，使得效率低的G网络轻松通过鉴别，；SFT使用seg map来进行引导，一方面明确告诉G物体的类别，（seg提供信息，SFT处理信息）另一方面告诉D如何识别物体的类别

③ SFT对每个分类寻找通用的增强信息。由于seg map是概率图，所以除了包含spatial信息之外，还会包含一定的纹理细节信息 这些信息会对sft有一定的影响。sft实际上就是针对每个不同的分类对LR feature加入特定的纹理细节，即（β，γ）的作用。整体的过程就是在保留LR的空间信息的情况下，加入基于分类的纹理细节。