论文名字:19-ICCV-Multi-Scale Dynamic Feature Encoding Network for Image Demoiring
论文下载地址:https://arxiv.org/abs/1909.11947
论文代码地址:https://github.com/opteroncx/MDDM
主要任务:去摩尔纹
主要难题:
摩尔纹有两大挑战:摩尔纹广泛分布在各个频段,摩尔纹是动态纹理有不同的颜色和形状,论文对这两中挑战分别采用了采用多尺度网络和DFE(dynamic feature encoding module)两种方法。
论文认为(屏幕)摩尔纹的产生原因是:屏幕的LED栅格和摄像机的CFA栅格没能完美的对上,因此会产生摩尔纹,而未能完美对上的原因可能是因为两者分辨率、距离、角度等等原因,因此摩尔纹同时还是动态的。区别于去噪和超分任务是静态的、只对高频信息处理;摩尔纹是动态、同时对高低频信息处理。
因此摩尔纹有两大特点:动态存在和分布在全频上
整体网络框架:
一共有6个分支,分辨率从1、1/2、1/4、…、1/32
方法:
针对摩尔纹分布在高低频上,目前看到过三种高低频的不同概念。
- 下采样的次数代表高低频,下采样对多代表频率越低
- 用小波分离高低频
- 用不同大小的高斯滤波器卷积图像得到高低频,越模糊代表频率越低
如下图所示,显示了从原始图像分解(下采样)的不同分辨率的表示。
可以看出不同的分辨率下,摩尔纹并不相同。因此采用多尺度网络,同时高频本身含有更多的高频信息,低频需要更深的网络结构来得到有用的高频信息,因此,低频分支的网络拥有更多的卷积层。
针对摩尔纹是动态的问题,随着角度和缩放的变化而变化,相对于去噪和超分的恢复模式是静态的(如果使用特定退化模型,对整个图像的影响往往一致,而摩尔纹退化对整个图像的影响不一致)(Moiré i s a dynamic pattern in that the interference texture on an image is local and varies with scaling and angle.)
动态的问题动态解决,作者提出DFE(dynamic feature encoding module)用于动态编码摩尔纹。因为每个分支(除了第一个)都是在学习一个残差,对于干净图像和摩尔纹退化图像,残差相当于摩尔纹模式,而各个分支的摩尔纹模式并不一致,影响去摩尔纹任务的进行。
作者受任意图像转移工作的启发(我没看出来启发在哪里),为每个分支都设计旁路分支,再使用AdaNa将旁路嵌入到主分支,这里插一嘴AdaNa。图像的内容和风格是分离的,同个内容可以有不有不同的风格,AdaNa就是接受一个内容输入,一个风格输入,输出改变风格的内容。从方程上来看是把旁支作为风格,把主分支作为内容。这里没看懂为什么要这么做。
损失函数:使用Charbonnier loss
实验内容:
数据集:LCDMoire dataset
定量、定性实验
消融实验
分支数量
有无DFE
总结
- 第一次见到分支这么多的,有6个
- DFE从图像风格迁移到去摩尔纹上的应用取得了好效果,核心是能编码动态的特征
总结
- 第一次见到分支这么多的,有6个
- DFE从图像风格迁移到去摩尔纹上的应用取得了好效果,核心是能编码动态的特征
- 融合部分有点简单粗暴,但是可能是因为主要突出DFE的有效性