图像超分最新记录！南洋理工提出图神经网络嵌入新思路，复原效果惊艳

2020 年 7 月 2 日 极市平台

加入极市专业CV交流群，与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企视觉开发者互动交流！

同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。关注 极市平台 公众号，回复 加群，立刻申请入群~

paper: https://arxiv.org/abs/2006.16673

code: https://github.com/sczhou/IGNN（尚未开源）

极市导读：该文可能是首次提出将图神经网络嵌入到图像超分领域中，其实它也是图像块自相似性的一种应用，之前笔者分享过类似的方法(采用卷积方式进行块相似性搜索)，而这篇论文则是采用图神经网络搜索块相似性。这种块相似性搜索技术与传统方法中的搜索比较类似，可谓是传统方法与深度学习相结合的又一个进展。对图像复原方向感兴趣的小伙伴可以关注一下这篇论文。

Abstract

自然图像中的非局部自相似性时一种非常有效的先验信息，在传统图像处理中被广泛研究与应用，比如非局部均值、BM3D等图像降噪方法以及基于Self-Similarity图像超分和图像去模糊等等。然而该非局部自相似性在深度学习领域却鲜少见诸于研究，现有深度非局部方法仅仅探索了同尺度的相似块，因此图像复原的性能会受限于同尺度信息的有限性，而其他尺度的信息可能包含更多有用的信息。

该文作者对自然图像中的跨尺度块相似块(即相似块可能出现在图像的不同尺度)进行探索，并提出一种新颖的Internal Graph Neural Network进行跨尺度的相似块探索，作者构建了一种跨尺度图用于为LR图像中的块搜k近邻相似块，得到k个HR近邻块并采用自适应集成方式进行信息汇聚。因此，HR信息可以通过k个HR近邻块传递给LR图像块并辅助图像纹理细节复原。

最后，作者通过实验证实了所提方法的SOTA性能。

Method

在这部分内容中，首先介绍一下已有非局部方法的广义形式，然后所提到的跨尺度图汇聚模块，最后介绍所提出的快尺度图像神经网络(IGNN)。

Background

非局部汇聚策略被广泛应用于图像复原领域，比如非局部均值和BM3D采用非局部相似性属性进行图像降噪。在深度学习领域，非局部神经网络与k近邻网络被提出用于探索图像的非局部自相似性。非局部块的汇聚过程可以描述为：

如果我们将特征块以及加权连接视作定点与边的话，上述过程可以视作GNN。之前已有非局部方法进行通尺度相似性探索，但是通尺度相似性对于图像超分的性能提升极为有限。

Cross-Scale Graph Aggregation Module

在已有的非局部深度学习方法中，特征块的大小往往相同。尽管它们在图像降噪方面表现良好，但是它难以获取高分辨率信息，对于超分的性能提升极为有限。考虑到自然图像的块自相似性会跨尺度出现，作者提出一种跨尺度图像神经网络。下图给出了跨尺度图汇聚模块示意图。

对于LR中的每个查询块(图中黄色框)，从下采样图像中搜索k个最相似块并进行对应的HR块信息汇聚。跨尺度块的连接可以通过图方式进行建模，每个特征块是一个定点，边用来衡量块之间的相似性。下图给出了本文所提出的GraphAgg模块示意图，它包含两个操作：Graph Construction与Patch Aggregation。

Graph Construction

首先对低分辨率图像采用双三次插值进行s倍下采样，得到，其中下采样比例等于上期望的上采样尺度。因此，所找到的k近邻特征块与期望的HR特征块具有相同尺寸。

为得到k近邻特征块，首先采用VGG19的前三层对提取嵌入特征 .参考传统非局部方法中的块匹配方法，对于中的查询特征块，首先按照欧式距离寻找k个近邻块，然后可以得到k个大小的来自特征块。该过程见上图中的红色线过程，称之为定点映射。

通过上述过程可以完成跨尺度k近邻图构建，表示一个包含LR块集合与HR近邻块集合的块集合，表示边集合。为度量顶点(即特征块)之间的相似性，采用进行度量并用于估计汇聚权值。

注：作在而非上进行相似块搜索可以减少被搜索空间；同时仅仅搜索k近邻可以进一步减少计算复杂。

Patch Aggregation

受启发于Edge-Conditioned Convolution(ECN)，作者采用如下方式进行相似块汇聚：

其中表示第r个近邻HR特征块，与此同时，作者还引入patch2img操作进行输出特征块变化。作者提出采用一种自适应ECN（即）估计顶点之间的汇聚权值(注：加权权值需要进行归一化哦)。

为充分利用，作者采用一个Downsampled-Embedding sub-Network,DEN进行特征嵌入并与通过concat融合得到并用于后续网络。

Adaptive Patch Normalization

作者观察到：通过GraphAgg模块得到的k个HR近邻块包含某些低频成分(比如颜色、亮度等)。除了前述提到的自适应加权外，受启发与AdaIN，作者还提出一种自适应块归一化(AdaPN)操作进行近邻块对齐。该过程可以描述为：

通过该对齐操作，可以将紧邻快的低频信息进行迁移同时保持高频纹理信息不变。

Cross-Scale Internal Graph Neural Network

Experiments

为验证所提方法的有效性，作者在DIV2K数据集上进行了训练，输入块大小为，同时采用随机镜像、旋转等增广。优化器为Adam，初始学习率为0.0001,每200000迭代折半，合计训练800000迭代。损失函数为。在GraphAgg模块中，k=5，搜索窗口设置为30.注：GraphAgg是一种“即插即用”的模块，它可以轻易嵌入到其他超分网络中。