ICCV 2023｜利用双重聚合的Transformer进行图像超分辨率-526互联

前言本文提出了 DAT（Dual Aggregation Transformer），是一种用于图像超分辨率 Transformer 模型。DAT 以块间和块内双重方式，聚合空间和通道特征，实现强大的建模能力。

本文转载自将门创投

作者：陈铮

仅用于学术分享，若侵权请联系删除

欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。

本文提出一种同时利用图像空间和通道特征的 Transformer 模型，DAT（Dual Aggregation Transformer），用于图像超分辨（Super-Resolution，SR）任务。DAT 以块间和块内的双重方式，在空间和通道维度上实现特征聚合，从而具有强大的图像表示能力。具体来说，DAT 在连续的 Transformer 块中交替应用空间和通道自注意力，以实现块间聚合。同时，本文还提出自适应交互模块（Adaptive Interaction Module，AIM）和空间门前馈网络（Spatial-Gate Feed-forward Network，SGFN）来实现块内特征聚合。AIM 从空间与通道为徒改进现有注意力机制，SGFN 在前馈网络中引入了非线性空间信息。实验证明，DAT 实现目前最先进的图像超分辨率性能。

论文链接：https://arxiv.org/abs/2308.03364

代码链接：https://github.com/zhengchen1999/DAT

一、研究问题

图像超分辨率（Image Super-Resolution，简称图像 SR）是一种图像处理技术，旨在通过增加图像的细节和清晰度，将低分辨率（LR）图像转换为高分辨率（HR）图像。简单来说，就是将一张小尺寸的模糊图像，变成大尺寸的清晰图像。图像超分辨率技术在实际应用中具有广泛的用途，包括高清电视、监控摄像头、医学影像、卫星图像等。现如今，随着人工智能、机器学习的发展，使用深度学习技术的图像超分辨率成为主流。

二、方法动机

目前，Transformer 在 SR 任务中表现出色。其核心是自注意力（Self-Attention，SA）机制，能够建立全局依赖关系。而全局关系的建立，对于高分辨率图像的重建尤为重要。然而，全局SA的计算复杂度与图像大小成平方比，这极大的限制了其在高分辨率图像上的应用（这在图像 SR 中很常见）。考虑到这个原因，一些研究人员提出更加高效的 SA，以有效利用 Transformer。总的来说可以分为空间与通道两个方面：

空间方面, 局部空间窗口被提出来限制全局 SA 的应用范围, 从而提出局部窗口注意力（Spatial-Window Self-Attention, SW-SA）。如图（a），空间维度被划分为多个窗口, 注意力在每个窗口中被执行。
通道方面, 提出通道自注意力（Channel-Wise Self-Attention, CW-SA）。如图（b），注意力沿着通道维度计算。也就是图中每一个独立的块都作为一个 token

图片1. 不同自注意力机制示意图

这些方法都在降低计算复杂度的同时，实现优异的性能。同时这两种方法对于图像特征的建模，是针对不同（空间与通道）的维度的。那么，是否可以同时考虑两个维度，在现有方法的基础上，进一步提高Transformer的建模能力，实现更加出色的超分辨率性能呢？受以上发现的启发，我们提出 DAT（Dual Aggregation Transformer），通过块间和块内双重方式，实现空间和通道特征有效融合。具体来说，我们在连续的 Transformer 块中交替应用 SW-SA 和 CW-SA 。通过这在交替的方式，DAT 能够同时捕获空间和通道信息，实现块间特征聚合。同时，为了实现块内特征聚合，我们还提出自适应交互模块（Adaptive Interaction Module，AIM）和空间门前馈网络（Spatial-Gate Feed-forward Network，SGFN）。AIM 对 SW-SA 和 CW-SA 建模单一维度进行改进，SGFN 则在前馈网络中引入非线性空间信息。总体而言，我们的贡献可以总结为以下三点：

设计了一种新的图像超分辨率模型：DAT。该模型以块间和块内双重方式聚合空间和通道特征，增强 Transformer 的建模能力。
交替应用空间和通道自注意力，实现块间特征聚合。此外，还提出 AIM 和 SGFN 来实现块内特征聚合。
进行了大量实验，证明提出的 DAT 实现最先进的图像超分辨率性能，同时保持较低的复杂性和模型大小。

三、方法介绍

在本节中，我们首先介绍 DAT 的架构。随后，我们详细阐述自适应交互模块（AIM）和空间门前馈网络（SGFN）两个组件。

3.1 模型架构

图片2. 模型架构

DAT 包含三个模块: 浅层特征提取、深层特征提取和图像重建模块。如图（a）所示, 浅层特征提取模块为单个卷积网络, 用于从低分辨率图像中提取出浅层特征。接着通过深层特征提取模块中进行处理, 得到深度特征。深层特征提取模块由多个残差组（RG）堆叠而成, 每个残差组包含多对 Transformer 块, 每对包含两个分别利用空间和通道自注意力的 Transformer 块。最后, 我们通过重建模块重建高分辨率图像。在这个模块中, 深度特征通过像素洗牌方法进行上采样。

正如前文提到，在 DAT 中，我们以交替的方式同时使用 SW-SA 和 CW-SA 两种注意力模块。这种组合，能够对两个维度的特征进行建模，并利用它们的优势互补：

SW-SA 对空间上下文进行建模，增强每个特征图的空间表达。
CW-SA 可以更好地构建通道之间的依赖关系，扩大感受野，从而帮助 SW-SA 捕获空间特征。

因此，空间和通道信息在连续的 Transformer 块之间流动，以此实现块间特征聚合。

3.2 自适应交互模块（AIM）

图片3. 自适应交互模块（AIM）

我们提出的 AIM 对 SW-SA 和 CW-SA 实现进一步改进。首先，考虑到自注意力主要是捕获全局特征，我们增加了与自注意力模块平行的卷积分支，依次引入局部性到 Transformer 中。接着，考虑到虽然交替执行 SW-SA 和 CW-SA 可以在块间实现空间与通道的特征聚合，但是对于每个自注意力（SA）而言，不同维度的信息仍然无法有效利用。因此，我们提出了AIM（灰色阴影区），作用于两个分支之间，并根据分支的类型，从空间或通道维度自适应地重新加权特征，从而在单个注意力模块中实现空间和通道信息的聚合。

具体来说，AIM是基于注意力机制设计，包括两种交互操作：空间交互（S-I）和通道交互（C-I）：

S-I：图（c），计算空间注意力图，对特征的空间维度动态调制，引入空间信息。
C-I：图（d），计算通道注意力图，对特征的空间维度动态调制，引入通道信息。

综合上述改进，我们在 SW-SA 和 CW-SA 的基础上，提出改进版的自适应空间自注意力（Adaptive Spatial Self-Attention，AS-SA）和自适应通道自注意力（Adaptive Channel Self-Attention，AC-SA）。相比原始自注意力机制，我们的方法具有：

局部（卷积）和全局（注意力）更好的耦合：两个分支的输出可以自适应调整以相互适应、融合。
更强的建模能力：对于 SW-SA，互补通道信息提高了其通道建模能力；对于 AC-SA，通过空间交互，额外的空间知识同样增强特征表征能力。

3.3 空间门前馈网络（SGFN）

图片4. 空间门前馈网络（SGFN）

传统的前馈网络（Feed-Forward Network，FFN）有线性层和非线性激活组成。只能够对特征通道进行建模，忽略了建模空间信息。此外，FFN会通过线性层在内部对特征通道进行放大，这导致通道之间存在冗余，从而阻碍了特征表达能力。

为了克服上述问题，我们提出了 SGFN：将空间门控（Spatial-Gate，SG）引入到 FFN 中。SG 是一个简单的门空机制，由深度卷积和逐元素乘法组成。同时，我们将特征图沿着通道维度，均匀的分为两个部分，分别送入卷积和乘法旁路中，以此来降低通道冗余性。并且该操作也能有效降低计算复杂度。

整体来看，AIM 和 SGFN 是 Transformer 块的两个主要组成。通过这个两个模块，我们实现块内的特征聚合：

AIM 从通道维度增强 SW-SA，并从空间维度增强 CW-SA。
SGFN 将非线性空间信息引入仅建模通道关系的 FFN 中。

四、实验结果

消融实验：我们对提出方法的各个进行详尽的消融实验，证明了方法的有效性。

图片5. 消融实验

定量对比：我们提出了2个不同大小的模型变体（DAT-S、DAT），与目前最先进的图像超分辨率方法，在5个基准数据集上进行对比。如下表所示，我们的方法取得了最先进的结果。

图片6. 定量对比，最优结果着红色，次优结果着红色

视觉对比：我们在下图中展示了视觉效果的对比结果。可以发现，我们的方法在细节的重建上具有明显的优势。

图片7. 视觉对比

模型大小：我们还提供了模型大小（Params）、复杂度（FLOPs）、性能上的综合对比。我们的方法在实现性能提升的同时，也保持了较低的复杂性和模型大小。

图片8. 模型大小

五、结论

本文提出了 DAT（Dual Aggregation Transformer），是一种用于图像超分辨率 Transformer 模型。DAT 以块间和块内双重方式，聚合空间和通道特征，实现强大的建模能力。具体来说，连续的 Transformer 块交替应用空间窗口和通道自注意力，并实现了空间和通道维度在块间的特征聚合。此外，本文还提出了自适应交互模块（Adaptive Interaction Module，AIM）和空间门前馈网络（Spatial-Gate Feed-forward Network，SGFN），以在两个维度上实现块内特征聚合，从而增强每个 Transformer 块。AIM从两个维度增强自注意力机制的建模能力。而 SGFN 用非线性空间信息补充前馈网络。实验证明，DAT 实现目前最先进的图像超分辨率性能。

欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。

计算机视觉入门1v3辅导班

【技术文档】《从零搭建pytorch模型教程》122页PDF下载

QQ交流群：470899183。群内有大佬负责解答大家的日常学习、科研、代码问题。

其它文章

分享一个CV知识库，上千篇文章、专栏，CV所有资料都在这了

明年毕业，还不知道怎么做毕设的请抓紧机会了

LSKA注意力 | 重新思考和设计大卷积核注意力，性能优于ConvNeXt、SWin、RepLKNet以及VAN

CVPR 2023 | TinyMIM：微软亚洲研究院用知识蒸馏改进小型ViT

ICCV2023|涨点神器！目标检测蒸馏学习新方法，浙大、海康威视等提出

ICCV 2023 Oral | 突破性图像融合与分割研究：全时多模态基准与多交互特征学习

听我说，Transformer它就是个支持向量机