详解SwinIR的论文和代码（SwinIR: Image Restoration Using Swin Transformer）

BigerBang

已于 2024-01-04 17:57:31 修改

阅读量2.3k

点赞数 6

分类专栏：超分辨率文章标签： transformer 深度学习人工智能计算机视觉图像处理

于 2023-11-20 14:55:42 首次发布

本文链接：https://blog.csdn.net/BigerBang/article/details/134489432

版权

超分辨率专栏收录该内容

6 篇文章 1 订阅

订阅专栏

本文详细介绍了SwinIR如何将SwinTransformer应用于图像增强任务，包括超分辨率、去噪和JPEG压缩恢复。SwinIR通过结合局部注意力和移动窗口机制改进Transformer，提供了一种结构简单但性能强大的低级图像处理模型。

摘要由CSDN通过智能技术生成

paper：https://arxiv.org/abs/2108.10257
code：https://github.com/JingyunLiang/SwinIR

SwinIR将Swin transformer¹应用到low level领域的图像增强任务，结合卷积设计了网络结构，在以下三个任务上取得了很好的效果：图像超分辨率（包括classical、lightweight和real-world SR）、图像去噪（包括灰度图和彩色图像去噪）和 JPEG压缩失真去除。本文将结合代码对SwinIR进行详解。

SwinIR的网络结构并不复杂，关键部件就是Swin Transformer layers(STL)、卷积层和残差连接。卷积和残差连接大家都比较熟悉了，因此我首先结合代码介绍一下swin transformer层，然后自底向上的介绍SwinIR的全貌

1. Swin Transformer layers

SwinIR使用的Swin Transformer layers（STL）是在swin transformer中提出的，并未有改动。STL基于原始的多头注意力transformer层进行优化，主要的不同点在于：1. 局部注意力（local attention）；2. 移动窗口机制（shifted window mechanism）;

1.1 局部注意力

原始的全局注意力会将图像分成若干个patch，所有的patch之间做自注意力计算；所谓的局部注意力就是首先将图像划分成若干个window，每个window内在进行patch的划分，然后在window内部进行自注意力的计算，而不在一个window内的patch是没有交互的。也就是说，只考虑一个window内的patch，他们之间的计算和全局注意力操作是一样的。

在实现的时候，其实是先将图像按照patch划分，提取每个patch中的特征放在通道维度上，再划分后的图像上进行window的划分，这样window内的包含的是若干个patch的特征，而不是以像素为单位了。比如Swin transformer的patch size = 4x4, window size = 7x7, 假设输入图像的大小为(1, 3, 224, 224), 首先使用self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)完成patch的划分，得到（1，96，56，56），然后再在此基础上完成window的划分，每个window大小是7x7也就意味这个每个window包含7x7个patch，（1，96，56，56）完成窗口划分后会得到8x8=64个窗口。

而在SwinIR中，作者取patch size为1x1，因此就没有必要使用self.proj了，因此PatchEmbed的代码和swin transformer在此地方有差异。

理解局部注意力具体是怎么做的，很好的一个办法是看代码和分析tensor在不同层之间的shape整理出来。下面是我整理的tensor shape变化，这里的输入指的是已经完成了PatchEmbed的输入：

请添加图片描述
其中，b: batchsize, h: 输入高， w:输入宽， ws: 窗口大小， C: channel数， num_heads：attention的head数

1.2 移动窗口机制

由于基于窗口的多头注意力（W-MSA）没有考虑跨窗口的连接，模型建模长距离关联的能力受损。因此swin transformer提出了移动窗口多头注意力机制（SW-MSA），可在保证计算高效性的前提下，扩大感受野。

如下图所示，W-MSA的窗口大小为M*M（图中M=4），那么SW-MSA的窗口划分将向右下移动 $\lfloor M/2 \rfloor *\lfloor M/2 \rfloor$ 。

请添加图片描述

但是经过位移之后，窗口数量会变多，由原来的 $\lfloor h/M \rfloor *\lfloor w/M \rfloor$ 变成 $(\lfloor h/M \rfloor + 1) *(\lfloor w/M \rfloor +1)$ ，而且窗口大小不一致。因此swin transformer提出了循环位移，减少窗口数量，同时可以获得相同大小的窗口进行并行计算。循环位移如下图所示。
请添加图片描述

在代码中，循环位移通过torch.roll实现，shifts为负，代表从下往上移动，从右往左移动，最上和最左循环移动到最下和最右。

# cyclic shift
if self.shift_size > 0:
    shifted_x = torch.roll(x, shifts=(-self.shift_size, -self.shift_size), dims=(1, 2))

关于torch.roll可参考：https://blog.csdn.net/weixin_42899627/article/details/116095067
如上图所示，经过循环移位后，有三个窗口中有一些patch是本不相邻的，它们不应该做自注意力，所以swin transformer建立了mask机制来完成最终的注意力计算。

关于mask的理解可参考https://github.com/microsoft/Swin-Transformer/issues/38

1.3 关键代码理解

下面来看一下关键代码及注释，首先是WindowAttention的forward函数：

def forward(self, x, mask=None):
        """
        Args:
            x: input features with shape of (num_windows*B, N, C)
            mask: (0/-inf) mask with shape of (num_windows, Wh*Ww, Wh*Ww) or None
        """
        B_, N, C = x.shape  # 此处的输入是经过window partition的
        # self.qkv(x): num_windows*B, window_size*window_size, 3*C
        qkv = self.qkv(x).reshape(B_, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4) # 通过一个全连接层获取所有头的qkv，(3, num_windows*B, num_heads, window_size*window_size, C // num_heads)
        q, k, v = qkv[0], qkv[1], qkv[2] 
        q = q * self.scale
        attn = (q @ k.transpose(-2, -1)) # num_windows*B, num_heads, window_size*window_size, window_size*window_size
		# 可学习的相对位置bias
        relative_position_bias = self.relative_position_bias_table[self.relative_position_index.view(-1)].view(
            self.window_size[0] * self.window_size[1], self.window_size[0] * self.window_size[1], -1)  
        relative_position_bias = relative_position_bias.permute(2, 0, 1).contiguous()  # nH, Wh*Ww, Wh*Ww
        attn = attn + relative_position_bias.unsqueeze(0) # num_windows*B, num_heads, window_size*window_size, window_size*window_size

        if mask is not None:
            nW = mask.shape[0]
            # 将mask和attn相加，mask只有两种取值0和-100，因此为0时对attn无影响，为-100时，self.softmax(attn)将变为接近于0
            attn = attn.view(B_ // nW, nW, self.num_heads, N, N) + mask.unsqueeze(1).unsqueeze(0)
            attn = attn.view(-1, self.num_heads, N, N) # num_windows*B, num_heads, window_size*window_size, window_size*window_size
            attn = self.softmax(attn) # num_windows*B, num_heads, window_size*window_size, window_size*window_size
        else:
            attn = self.softmax(attn)

        attn = self.attn_drop(attn)
        # v：num_windows*B, num_heads, window_size*window_size, C // num_heads
        # attn：num_windows*B, num_heads, window_size*window_size, window_size*window_size
        # attn @ v: num_windows*B, num_heads, window_size*window_size, C // num_heads
        x = (attn @ v).transpose(1, 2).reshape(B_, N, C) # num_windows*B, window_size*window_size, C
        x = self.proj(x) # 全连接层
        x = self.proj_drop(x)
        return x

接下来是SwinTransformerBlock的forward函数

    def forward(self, x, x_size):
        H, W = x_size
        B, L, C = x.shape
        # assert L == H * W, "input feature has wrong size"

        shortcut = x
        x = self.norm1(x)
        x = x.view(B, H, W, C)

        # cyclic shift
        if self.shift_size > 0:
            shifted_x = torch.roll(x, shifts=(-self.shift_size, -self.shift_size), dims=(1, 2))
        else:
            shifted_x = x

        # partition windows
        x_windows = window_partition(shifted_x, self.window_size)  # (num_windows*B, window_size, window_size, C)
        x_windows = x_windows.view(-1, self.window_size * self.window_size, C)  # num_windows*B, window_size*window_size, C

        # W-MSA/SW-MSA (to be compatible for testing on images whose shapes are the multiple of window size
        if self.input_resolution == x_size:
            attn_windows = self.attn(x_windows, mask=self.attn_mask)  # nW*B, window_size*window_size, C
        else:
            attn_windows = self.attn(x_windows, mask=self.calculate_mask(x_size).to(x.device))

        # merge windows
        attn_windows = attn_windows.view(-1, self.window_size, self.window_size, C)
        shifted_x = window_reverse(attn_windows, self.window_size, H, W)  # B H' W' C

        # reverse cyclic shift
        if self.shift_size > 0:
            x = torch.roll(shifted_x, shifts=(self.shift_size, self.shift_size), dims=(1, 2))
        else:
            x = shifted_x
        x = x.view(B, H * W, C)

        # FFN
        x = shortcut + self.drop_path(x)
        x = x + self.drop_path(self.mlp(self.norm2(x)))

        return x

可以看到每个SwinTransformerBlock内部完成的是：
$X = MS A (L N (X)) + X$
$X = M L P (L N (X)) + X$
其中MSA为W-MSA和SW-MSA交替。

2. 整体网络结构

请添加图片描述
如上图所示，SwinIR包括三个modules，浅层特征提取、深层特征提取和图像重建。其中特征提取模块对所有任务都是一样的，但是图像重建对于不同的任务是不同的。

2.1 浅层特征提取

一个3×3卷积层将特征图通道转成embed_dim：（b, embed_dim, h, w）

self.conv_first = nn.Conv2d(num_in_ch, embed_dim, 3, 1, 1)

2.2 深层特征提取

深层特征提取的基本模块则是第一节中讲解的STL和卷积层和残差连接。STL和卷积组成RSTB，RSTB和卷积组成了深层特征提取。

2.3 图像重建

以下代码可以看到对于不同的任务，图像重建模块是不同的，有的采用最邻近插值+卷积，有的采用pixelshuffle+卷积，有的直接采用卷积。


if self.upsampler == 'pixelshuffle':
    # for classical SR
    x = self.conv_first(x)
    x = self.conv_after_body(self.forward_features(x)) + x
    x = self.conv_before_upsample(x)
    x = self.conv_last(self.upsample(x))
elif self.upsampler == 'pixelshuffledirect':
    # for lightweight SR
    x = self.conv_first(x)
    x = self.conv_after_body(self.forward_features(x)) + x
    x = self.upsample(x)
elif self.upsampler == 'nearest+conv':
    # for real-world SR
    x = self.conv_first(x) # （b, embed_dim, h, w）
    x = self.conv_after_body(self.forward_features(x)) + x
    x = self.conv_before_upsample(x)
    x = self.lrelu(self.conv_up1(torch.nn.functional.interpolate(x, scale_factor=2, mode='nearest')))
    x = self.lrelu(self.conv_up2(torch.nn.functional.interpolate(x, scale_factor=2, mode='nearest')))
    x = self.conv_last(self.lrelu(self.conv_hr(x)))
else:
    # for image denoising and JPEG compression artifact reduction
    x_first = self.conv_first(x)
    res = self.conv_after_body(self.forward_features(x_first)) + x_first
    x = x + self.conv_last(res)

SwinIR可以很灵活配置网络的复杂度。影响W-MSA计算复杂度： $4hwC^2 + 2M^2hwC$
请添加图片描述

3.总结

结构简单，性能全面超过cnn-based的方法，适用于多种任务，可做为Low-level的基线模型；
作者发现与以往基于transformer的方法不同，Swinir不需要比cnn更多的训练数据，收敛速度也更快；
结构模块化，可以方便调整出不同复杂度的模型；

Liu Z, Lin Y, Cao Y, et al. Swin transformer: Hierarchical vision transformer using shifted windows[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2021: 10012-10022. ↩︎