点击下方卡片,关注“CVer”公众号
AI/CV重磅干货,第一时间送达
添加微信号:CVer111,小助手会拉你进群!
扫描下方二维码,加入CVer学术星球!可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料,及最前沿应用!发论文/搞科研/涨薪,强烈推荐!
作者:夫未(已授权CVer转载)
https://zhuanlan.zhihu.com/p/709498751
Restore-RWKV: Efficient and Effective Medical Image Restoration with RWKV
代码:https://github.com/Yaziwel/Restore-RWKV
论文:https://arxiv.org/abs/2407.11087
单位:北航,清华,北京协和医院,字节跳动
全局建模能力在图像恢复任务中至关重要,因为图像恢复的一个核心在于从图像本身寻找有用的token信息来弥补当前token的信息缺失。然而,RWKV/Mamba/xLSTM等模型起源于NLP领域,因此它们的原始算子主要用于处理1D序列。由此,其后续视觉相关的模型的研究重点在于如何将其1D序列建模能力扩展到2D图像上。今天介绍的是Restore-RWKV是第一篇将RWKV应用于图像恢复任务的论文,其依然沿用了1D—>2D拓展的思路讲故事。
动机
由于图像恢复任务是pixel-level的像素值回归,那么其每个pixel都是一个token,而医学图像通常分辨率较高(例如CT 512×512),如果使用self-attention进行全局建模,那么消耗的计算资源是无法忍受的。所以现有的很多方法都采样efficient版本的self-attention,核心思路是缩小attention的计算范围,最典型的是swin transformer的window attention,但是这样做实质上丧失了全局建模能力。当然Mamba也是一种选择,其SSM具有线性复杂度的长距离序列建模能力。然而目前使用的SSM是单向的,其感受野范围局限于从序列的第一个token到当前token这个范围,虽然通过不同方向的扫描可以最终保证其全局建模能力,但这样做效果仍然是欠缺的。我们举例可视化了不同方法的有效感受野如下:
可以看到,只有基于Mamba的MambaIR和本文提出的基于RWKV的Restore-RWKV实现了全局感受野,而且Restore-RWKV的有效感受野更好。那么这是如何实现的呢?
方法
原始的RWKV有两个核心创新,一是WKV attention用于捕获长距离信息,二是token shift用于捕获局部信息。当然,它们都是用于处理1D序列的,为了实现2D图像的建模,本文分别对两种机制进行改进,并提出reccurent WKV attention (Re-WKV)和omnidirectional token shift (Omni-Shift),并将其应用于图像恢复网络中,网络结构如下:
![d8639070bcf7877ad511cd383e77cf47.jpeg](https://img-blog.csdnimg.cn/img_convert/d8639070bcf7877ad511cd383e77cf47.jpeg)
接下来分别介绍①Re-WKV和②Omni-Shift:
①Re-WKV
Re-WKV的目的是以线性复杂度实现2D图像全局建模。它由两部分组成,首先其沿用Vision-RWKV论文中提出的bidirectional WKV attention (Bi-WKV)算子,将原始单向WKV attention的有限视野扩充到全局视野;然后其通过循环attention的方式,从不同扫描方向上进一步促进2D图像全局token之间的交互。
②Omni-Shift
Omni-Shift作用是捕获局部信息,原始的RWKV的token shift是单向的(将上一个token信息转移到当前token),Vision-RWKV的改进版本是四向(将上下左右四个token信息转移到当前token),但是很显然这对2D图像来说都不是最好的token shift策略,2D图像的局部性应该是全向的,邻近区域的各个方向的token都是相关的,所以最好的token shift应该就是卷积。于是本文采用depth-wise卷积,并且考虑到不同context范围的token重要性不一样,在训练阶段仿照RepVGG利用了结构重整化,使用多个卷积分支,每个分支负责学习一定context范围的token shift,在测试时,这些分支合并成一个卷积:
![c220ae71d392fcaad1f1961933e20a6d.jpeg](https://img-blog.csdnimg.cn/img_convert/c220ae71d392fcaad1f1961933e20a6d.jpeg)
Restore-RWKV在使用Re-WKV+Omn-Shift组合的改进之后,相比于原始RWKV的单向的Uni-WKV+Uni-Shift组合,以及Vision-RWKV的Bi-WKV和Quad-Shift组合,其模型的感受野大大提升:
![6a4c02a86052d379391827db9f819498.jpeg](https://img-blog.csdnimg.cn/img_convert/6a4c02a86052d379391827db9f819498.jpeg)
实验结果
最后,论文在MRI image super-resolution、CT image denoising、PET image synthesis以及all-in-one medical image restoration任务上验证了其有效性。可视化对比如下:
![b556f63e7a88ed73e237a3184fe0474f.jpeg](https://img-blog.csdnimg.cn/img_convert/b556f63e7a88ed73e237a3184fe0474f.jpeg)
总结与思考
本质是寻求将1D的序列模型拓展到2D。token shift使用卷积是完美的2D拓展操作。但是WKV attention部分仍然需要进行扫描操作,比较丑陋,如果能够通过改写 CUDA,将其改为 2D WKV attention 操作,那就完美了。
另外RWKV或者Mamba为什么会在图像恢复上work?我的理解是①利用卷积保证局部信息的利用(卷积十分重要!!!);②WKV attention或者SSM提供了实现长距离依赖的途径,真正有用的信息依然可以根据这个途径传播到当前token对其进行信息补充。所以RWKV和Mamba相当于是在CNN和Transformer之间进行取舍之后寻找的一个平衡点。
何恺明在MIT授课的课件PPT下载
在CVer公众号后台回复:何恺明,即可下载本课程的所有566页课件PPT!赶紧学起来!
ECCV 2024 论文和代码下载
在CVer公众号后台回复:ECCV2024,即可下载ECCV 2024论文和代码开源的论文合集
CVPR 2024 论文和代码下载
在CVer公众号后台回复:CVPR2024,即可下载CVPR 2024论文和代码开源的论文合集
Mamba、多模态和扩散模型交流群成立
扫描下方二维码,或者添加微信号:CVer111,即可添加CVer小助手微信,便可申请加入CVer-Mamba、多模态学习或者扩散模型微信交流群。另外其他垂直方向已涵盖:目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer、NeRF、3DGS、Mamba等。
一定要备注:研究方向+地点+学校/公司+昵称(如Mamba、多模态学习或者扩散模型+上海+上交+卡卡),根据格式备注,可更快被通过且邀请进群
▲扫码或加微信号: CVer111,进交流群
CVer计算机视觉(知识星球)来了!想要了解最新最快最好的CV/DL/AI论文速递、优质实战项目、AI行业前沿、从入门到精通学习教程等资料,欢迎扫描下方二维码,加入CVer计算机视觉(知识星球),已汇集上万人!
▲扫码加入星球学习
▲点击上方卡片,关注CVer公众号
整理不易,请赞和在看