【图像修复】AOT-GAN《Aggregated Contextual Transformations for High-Resolution Image Inpainting》

文章目录

贡献模型结构实验结论

贡献

提出用于高分辨率图像修复的aggregated contextual transformations(AOT)，它允许捕获信息丰富的远程上下文和丰富的感兴趣模式，以进行上下文推理。设计了一个新的掩模预测任务来训练用于图像修复的判别器，使判别器可以区分真实patch和合成patch，从而有助于生成器合成细粒度纹理。

模型结构

整体结构

---

AOT block

生成器先通过几层标准的卷积层进行编码，再通过AOT块，最后再通过转置卷积进行解码。

AOT块通过三个步骤采用拆分转换合并策略：

（1）拆分：AOT块将标准卷积的卷积核拆分为多个子核，每个子卷积核具有较少的输出通道；

（2）转换：每个子卷积核具有不同的膨胀率。较大的膨胀率使子卷积核能够关注到输入图像的较大区域，而使用较小膨胀率的子核则关注较小感受野的局部模式。

（3）聚合：来自不同感受野的上下文转换最终通过串联和标准卷积进行聚合，以进行特征融合。

这样的设计能够让AOT块通过不同的视图预测图像的每个输出像素。

下面的公式中对传统的相同剩余连接进行改进，改进为选通剩余连接，聚合公式中g是空间可变门控值。这种空间变化的特征聚合在尽可能更新缺失区域内的特征的同时，保留缺失区域外的已知特征。

x 3 = x 1 × g + x 2 × ( 1 − g ) x_{3}=x_{1} \times g+x_{2}{\large }\times(1-g) x3​=x1​×g+x2​×(1−g)

---

Soft Mask-Guided PatchGAN (SM-PatchGAN)

解决什么问题？

大多数深度修复模型往往基于重建损失（L1 Loss）生成所有可能解决方案的平均值，这会导致纹理模糊。

修复结果表示为：
z = x ⊙ ( 1 − m ) + G ( x ⊙ ( 1 − m ) , m ) ⊙ m z=x \odot(1-m)+G(x \odot(1-m), m) \odot m z=x⊙(1−m)+G(x⊙(1−m),m)⊙m
修复结果为两部分的叠加，原图像的完好区域和生成的空洞区域。其中,m为二进制掩码（0表示已知像素，1表示未知像素），即缺失区域表示为白色。

判别器的对抗损失：

L a d v D = E z ∼ p z [ ( D ( z ) − σ ( 1 − m ) ) 2 ] + E x ∼ p data  [ ( D ( x ) − 1 ) 2 ] \begin{array}{c} L_{a d v}^{D}=\mathbb{E}_{z \sim p_{z}}\left[(D(z)-\sigma(1-m))^{2}\right]+ \mathbb{E}_{x \sim p_{\text {data }}}\left[(D(x)-1)^{2}\right] \end{array} LadvD​=Ez∼pz​​[(D(z)−σ(1−m))2]+Ex∼pdata ​​[(D(x)−1)2]​

其中， σ \sigma σ 表示下采样和高斯滤波的合成函数。

生成器的对抗损失：

L a d v G = E z ∼ p z [ ( D ( z ) − 1 ) 2 ⊙ m ] L_{a d v}^{G}=\mathbb{E}_{z \sim p_{z}}\left[(D(z)-1)^{2} \odot m\right] LadvG​=Ez∼pz​​[(D(z)−1)2⊙m]

判别器上的设计

对于判别器设计了soft patch-level mask。

不同设计的比较：

PatchGAN的判别器将所有修复图像中的补丁都判别为假，这忽略了缺失区域之外的补丁确实来自真实图像。 而所提出的SM-PatchGAN能够将缺失区域的合成补丁与上下文的真实补丁区分开来，这可以增强鉴别器的能力。

HM-PatchGAN中没有使用高斯滤波器，从而忽略了修补图像的边界周围可能同时包含真实像素和合成像素。而所提出的SM-PatchGAN引入了高斯滤波器解决了这个问题。

---

总体优化

优化函数包括四个： L 1 L_1 L1​ loss（重建损失）、style loss（风格损失）、perceptual loss（感知损失）和adversarial loss （对抗损失）。

（1） L 1 L_1 L1​ loss确保像素级的重建精度
L r e c = ∥ x − G ( x ⊙ ( 1 − m ) , m ) ∥ 1 L_{r e c}=\|x-G(x \odot(1-m), m)\|_{1} Lrec​=∥x−G(x⊙(1−m),m)∥1​
（2）perceptual loss旨在最小化修复图像和真实图像的激活图之间的 L 1 L_1 L1​距离
L p e r = ∑ i ∥ ϕ i ( x ) − ϕ i ( z ) ∥ 1 N i L_{p e r}=\sum_{i} \frac{\left\|\phi_{i}(x)-\phi_{i}(z)\right\|_{1}}{N_{i}} Lper​=i∑​Ni​∥ϕi​(x)−ϕi​(z)∥1​​
其中， ϕ i \phi_{i} ϕi​ 来自预训练网络（如VGG19）第i层的激活图， N i N_i Ni​ 是 ϕ i \phi_{i} ϕi​ 中的总数量。

（3）style loss被定义为修复图像和真实图像深层特征的Gram矩阵之间的 L 1 L_1 L1​距离：
L s t y = E i [ ∥ ϕ i ( x ) T ϕ i ( x ) − ϕ i ( z ) T ϕ i ( z ) ∥ 1 ] L_{s t y}=\mathbb{E}_{i}\left[\left\|\phi_{i}(x)^{T} \phi_{i}(x)-\phi_{i}(z)^{T} \phi_{i}(z)\right\|_{1}\right] Lsty​=Ei​[∥ ∥​ϕi​(x)Tϕi​(x)−ϕi​(z)Tϕi​(z)∥ ∥​1​]
（4）adversarial loss
L a d v = E z ∼ p z [ ( D ( z ) − 1 ) 2 ⊙ m ] L_{a d v}=\mathbb{E}_{z \sim p_{z}}\left[(D(z)-1)^{2} \odot m\right] Ladv​=Ez∼pz​​[(D(z)−1)2⊙m]
总的优化目标：
L = λ a d v L a d v G + λ r e c L r e c + λ p e r L p e r + λ s t y L s t y L=\lambda_{a d v} L_{a d v}^{G}+\lambda_{r e c} L_{r e c}+\lambda_{p e r} L_{p e r}+\lambda_{s t y} L_{s t y} L=λadv​LadvG​+λrec​Lrec​+λper​Lper​+λsty​Lsty​
参数设置： λ a d v \lambda_{a d v} λadv​ = 0.01, λ r e c \lambda_{rec} λrec​ = 1, λ p e r \lambda_{per} λper​ = 0.1, λ s t y \lambda_{sty} λsty​ = 250。

---

实现细节

SM-PatchGAN中的高斯滤波处理，将高斯核的核大小设置为了70×70。为了避免归一化层引起的颜色偏移问题，移除了生成器网络中的所有归一化层。

训练参数设置：

一个mini-batch中，随机采8张图片和相应的掩码。生成器和鉴别器的学习率都为 1 0 − 4 10^{-4} 10−4，使用 β 1 = 0  和  β 2 = 0.9 \beta_{1}=0 \text { 和 } \beta_{2}=0.9 β1​=0 和 β2​=0.9 的优化器。使用ImageNet数据集上预训练的VGG19作为预训练网络，用于计算风格损失和感知损失。

---

实验

使用的数据集

Places2、CELEBA-HQ、QMUL-OpenLogo

掩膜数据集

论文Image Inpainting for Irregular Holes Using Partial Convolutions中所提供的掩膜数据集，也是大多数图像修复任务中所使用的。

对比的模型基准

（1）CA：Context encoders: Feature learning by inpainting. (2016)

（2）PEN-Net：Learning pyramid-context encoder network for high-quality image inpainting. (2019)

（3）PConv：Image inpainting for irregular holes using partial convolutions. (2018)

（4）EdgeConnect：Edgeconnect: Generative image inpainting with adversarial edge learning. (2019)

（5）GatedConv：Free-form image inpainting with gated convolution. (2019)

（6）HiFill ：Contextual residual aggregation for ultra high-resolution image inpainting. (2020)

（7）MNPS ：High-resolution image inpainting using multi-scale neural patch synthesis. (2017)

上述7个模型都是Image Inpainting领域比较经典的模型。

评估标准

L 1 L_1 L1​ error、PSNR、SSIM、FID

然后就是定性实验、定量实验、User Study，结果肯定都优于其他，就不总结了，细节看论文。

消融实验

验证AOT-GAN中三种组成要素的有效性 ：gated contextual transformations(选通上下文转换)、gated residual connections(选通残余连接)、SM-PatchGAN discriminator(SM PatchGAN鉴别器)。

---

结论

局限性

（1）AOT块的分支数和扩张率是根据经验性的研究和设置，当图像大小改变时，可能就要重新去设置参数，无法自适应。

（2）在实际应用（如logo移除）中很难自动分割logo的区域。