超分之RVRT

这篇文章是今年6月份刚出的VSR文章，其推出了一种将循环网络结构和Transformer结构相结合的一种模型——Recurrent Video Restoration Transformer(RVRT)。RVRT完成了Recurrent-based模型和Vision-Transformer模型之间的平衡，从而实现了模型大小、计算效率、表现力之间的trade-off。

Note：

1. 本文只探究VSR部分。

参考文档：
①源码

Abstract

1. VSR方法大致分为Sliding-windows、Recurrent、Transformer三大类，其中后面两个是目前已被证明更好的方法。现有的视频超分陷入了2个极端，即要么就是Recurrent-based模型，要么就是Transformer-based模型。
2. Recurrent-based模型例如RLSP、BasicVSR、BasicVSR++等通过一帧接一帧的方式对LR图像进行超分。虽然基于RNN会使得模型共享从而产生较小的模型量；此外每次处理一帧也使得运算效率很高；但是循环网络模型天然会遭受梯度爆炸/消失、信息衰减、噪声放大等问题，因此其无法捕捉长距离上的特征信息。
3. Vision Transformer-based模型例如VSRT、VRT等对多帧同时并行提取特征信息，但是会造成较大的模型参数和显存消耗。

基于两种模型的优缺点，本文作者提出了一种将Recurrent-based和Vision Transformer=based结合的模型——RVRT。

1. RVRT将整个序列$LRS$分成一段段，每一段作为一个clips，即整个序列由$\frac{T}{N}$个clips组成，每个clips里面有$N$帧。由于$N<T$，故RVRT相当于将整个序列缩短了，这样才能弥补Recurrent-based的缺陷。
2. 每个clips内部使用Transformer并行化处理；clips之间使用Guided Deformable Attention(GDA)来做对齐；而整个模型框架还是基于循环网络的，因此可以说RVRT在局部上使用并行结构来提取特征，全局上使用循环结构，两者相互结合，实现了模型大小参数量、计算效率、表现力的trade-off。
3. RVRT是VRT的升级版，都是同一批作者，二者都适合于所有的视频恢复任务，如超分、去噪、去模糊、去块等。
4. RVRT在通用的数据集上实现了SOTA的表现力，证明了Recurrent和Transformer结合起来实现视频恢复的方案是可行的。

1 Introduction

首先我们先对目前主流的2种VSR模型的优缺点进行简要阐述：
$Recurrent\; model$

1. 优点：因为RNN结构是共享模型的，同一套参数在不同时间段被重复使用，因此其模型参数量较小，计算效率较高。
2. 缺点：缺乏长距离建模的能力，这是由于当序列长度较长时候，循环结构会发生梯度消失/爆炸现象，以及天然会存在信息丢失和噪声放大问题；此外无法并行化提取所有帧信息也是比较低效的。

$Vision\; Transformer\; model$

1. 优点：可以直接并行化对所有帧同时提取特征信息，简单来说就是$T$帧进去，$T$帧出来；可以直接融合所有帧的特征信息，因为Transformer可以根据注意力机制来挑选一些更有用的特征。
2. 缺点：模型大、计算复杂度高、训练难度大、显存占用较大。

---

因此作者打算实现一个同时具备上述2个模型优点的混合模型——RVRT。
RVRT在以Vision Transformer为基础之上引入循环结构来减小模型参数量；此外RVRT将一定数量的相邻帧合并成1个clip，从而降低了输入帧的有效个数，缓解了Recurrent模型无法捕捉长距离特征信息、信息衰减问题。

具体而言，RVRT的核心为3部分：①循环结构；②Recurrent Feature Refinement(Vision Transformer部分)；③Guided Deformable Attention。下面我们简要介绍一下这三部分。
$Recurrent\; Structure$
循环结构可以构建长序列在时间维度上的相关性。但为了避免序列太长导致RNN结构天然的问题，RVRT将整个序列分成$T/N$个clips，每个clips里面包含了$N$帧。其循环结构基本和BasicVSR++类似：所有的clips共用同一个网络——RFR，特征传播沿着两个方向进行，只不过RVRT的隐藏状态更大，因为它是一个clip；此外RFR还有$L$层的传播迭代用来让对齐更加准确。相比传统的Recurrent-based结构，RVRT不容易产生梯度消失/爆炸、过多的信息衰减以及噪声放大问题。

$Recurrent\; Feature\; Refinement$
RFR可以说是一整个循环结构，也可以说是单独一个特征校正模块，既然前者已经叙说过了，这里就单指代后者。RFR结构主要由Swin-T结构组成，主要用于对clips内的$N<T$帧进行特征提取，在空间中提取到所有的信息，由于只在clip内部进行，因此模型的复杂度被有效降低了。

$Guided\; Deformable\; Attention$
一般Transformer用于特征提取比较多，自从VRT出现MMA之后，RVRT也出了Transformer用于对齐的功能。GDA主要利用DA的机制来对齐相邻的clips。一来其可以有效降低Transformer的计算量；二来其比传统的CNN-based对齐方式，比如flow-based方法每次对齐只依赖于1个采样点，而DAT可以基于多个采样点来生产对齐结果；三来相比MMA只能基于局部空间建模，DAT可以在全局空间中建模。

---

小结一下：

1. RVRT可以利用Transformer在帧数较少的clips内部中的局部空间上进行同步并行提取特征信息；此外利用Recurrent结构进行时许上的相关性建模可以减轻模型复杂度；将帧数分成clip-by-clip的形式不但可以减轻梯度消失/爆炸的问题，也可以减轻Transformer计算量。Recurrent+Transformer的结构可以同时占据两者的优势。
2. RVRT提出了基于Transformer的对齐方式——GDA，其用于clips-to-clips的对齐。
3. RVRT在一系列benchmark上展现了SOTA的水平，实现了模型大小、显存占用量、runtime和表现力之间的trade-off。

2 Related Work

略

3 Methodology

3.1 Overall Architecture

如上图所示就是RVRT的pipeline，其主要由3部分组成：①浅层特征提取模块；②RFR模块；③超分重建模块。
①浅层特征提取：对于超分任务由1个卷积层和RSTB(Residual Swin Transformer Blocks)组成，来提取浅层特征。
②RFR：RVRT的核心部分，其利用Recurrent机制来做全局范围内的或者说时间维度上的相关性建模以及利用Transformer来做局部空间范围内的相关性建模，从而实现了模型复杂度和表现力的trade-off；此外RFR中使用了GDA来做clips之间的对齐。
③超分重建：这部分也是使用了1个卷积层和RSTB组成，外加Pixelshuffle来做上采样生成最终的SR图像。

损失函数：
Charbonnier函数：$\mathcal{L}=\sqrt{||I^{SR}-I^{LR}|{|}_2^2+{ϵ}^2},(ϵ=10^{-3})$。

3.2 Recurrent Feature Refinement

RFR这个结构和BasicVSR++很像——它的结构主要由双向传播与传播迭代组成；具体结构如下图所示：

别看它看起来复杂，其实就是个BasicVSR加了$L$次传播迭代，只不过特征校正和对齐的方式变了。
具体而言，其横向是传播迭代，纵向是双向或者单向的特征传播；此外最重要的一点是，传统的Recurrent-based模型都是基于单张特征图之间的对齐，而RFR则是clips-to-clips之间的对齐。

Note：

1. 但要注意的是RFR没有coupled-propagation。
2. 此外BasicVSR系列的对齐使用flow-based或者flow-guided这些CNN-based方法，而RVRT使用的是Transformer-based方法——Guided Deformable Attention来做对齐。
3. BasicVSR系列的特征校正模块都是使用CNN-Based例如残差块堆积的方式；而RVRT使用Transformer-based方法——MRSTB，一种基于Swin-T的结构，该结构将一个clips里面的$N$帧同时并行提取特征而不像传统Recurrent-based模型中采取frames-by-frames的样式。
4. 图中$F_t^{i-2}$表示第$i-2$层中第$t$个clips，其中每个clips内含有$N$个连续帧。

---

接下来我们具体展开对RFR模型进行叙述。
设第$i$层(即共$L$个RFR块中的第$i$个)的特征表示为$F^i\in {\mathbb{R}}^{T\times H\times W\times C}$；首先对它进行split为$\frac{T}{N}$个clips，每个clips内含$N$个连续帧，记为$F^i\in {\mathbb{R}}^{\frac{T}{N}\times N\times H\times W\times C}$，则每个clips可表示为$F_1^i,F_2^i,\cdots ,F_{\frac{T}{N}}^i\in {\mathbb{R}}^{N\times H\times W\times C}$；每个clips内部的$N$个连续帧表示为$F_t$