[SpliceViT]Splicing ViT Features for Semantic Appearance Transfer

paper：https://arxiv.org/pdf/2201.00424v1.pdf

github：GitHub - omerbt/Splice: Official Pytorch Implementation for "Splicing ViT Features for Semantic Appearance Transfer" presenting "Splice" (CVPR 2022 Oral)

Abstract

goal：generate an image in which objects in a source structure image are “painted” with the visual appearance of their semantically related objects in a target appearance image.（生成一个图像，其中源结构图像中的对象被“绘制”为目标外观图像中与其语义相关的对象的视觉外观。）

method：train a generator

key idea：to leverage a pre-trained and fixed Vision Transformer(ViT) model which serves as an external semantic prior.（利用预先训练的固定视觉转换器(ViT)模型作为外部语义先验。）

Introduction

从 DINO-ViT 得出的结论：

(i) the global token (a.k.a [CLS] token) provides a powerful representation of visual appearance, which captures not only texture information but more global information such as object parts（CLS token 可以学习到①纹理信息；②全局信息）

(ii) the original image can be reconstructed from these features, yet they provide powerful semantic information at high spatial granularity.（源图像可以通过这些特征进行重建）

-->

使用 CLS token，表示外观信息；

使用 key之间的自相似性，表示结构信息；

（都是从最后一层提取出来的）

使用 structure/appearance image 来训练一个generator。

Method

structure：self-similarity of keys in the deepst attention module (Self-Sim)

appearance：[CLS] token in the deepst layer

键的自相似性：

在键的表示中存在某种重复或相似的结构。最深的注意力模块可能包含多个层次（深度），在这些不同深度的注意力模块中，键的表示可能呈现出某种相似的结构或模式。

包含两个 Loss：

Lapp，encourages the deep appearance of Io and It to match,

Lstructure，encourages the deep structure representation of Io and Is to match.

ViT-overview

the set of tokens pass through L Transformer layers

在每个自注意力模块，tokens都会：

在最后一层之后，[CLS] token 会再次经过一个 MLP（即上图左上角），输出一组标签的输出分布，这样他就可以用来进行图像分类等任务。

DINO-ViT，训练目标：同一图像的两个不同增强视图，产生相同的概率分布。这意味着模型被要求学会捕捉图像的共性特征，而不仅仅是单一视图的特定特征。

DINO-ViT的学习到的视觉表示被认为比有监督的ViT更为强大。所以使用 DINO-ViT

Structure & Appearance in ViT’s Feature Space

风格信息，[CLS] token

结构信息，（希望保持空间布局、形状、和对象的语义及周围）。使用从 DINO-ViT 提取出来的空间特征，用它们的 self-similarity 来作为结构信息。

cos-sim，是 keys 之间的余弦相似度。

自相似性描述符的维度就变成：

公式描述了一个用于计算图像 I 中两个位置 i 和 j 的特征表示 k 的余弦相似度的过程

，矩阵S的元素，表示位置 i 和 j 处的相似度；

， 分别表示图像 I 位置 i 和 j 处的特征表示；

，表示向量a和向量b之间的余弦相似度；（余弦相似度是衡量两个向量方向相似程度的指标。-1~1,1代表完全相似，-1代表完全不相似）

整个公式的含义：

在第 L 层（可能是深度学习模型中的某一层），通过计算图像 I 中不同位置 i 和 j 处的特征表示的余弦相似度，来度量它们之间的相似性。这可以用于表征图像中不同位置之间的关系或相互影响。

Understanding and visualizing DINO-ViT’s features

采用“feature-inversion”方法：给定一张图片，提取目标特征，并对具有相同特征的图像进行优化。

，表示对参数 θ 进行优化，找到能够最小化目标函数的参数值；

，使用参数θ的卷积神经网络CNN 来处理输入 z，得到一个特征表示；

，图像 Image 的特征表示；

，Frobenius范数；

整个公式的含义：

通过调整卷积神经网络  的权重参数 θ，找到一个特征表示 ，使得它与目的特征  之间的 Frobenius范数最小化。

一、首先考虑反演 [CLS] token：

发现：

从浅层->深层，较早的层主要捕获局部纹理信息，在较深的层，则可以捕获更多的全局信息；

二、反演从最后一层提取出的 spatial keys

发现：

可以从这些表示中重建图像。

除掉外观信息之后，在 keys 的自相似性 PCA可视化发现，自相似性主要捕获对象的结构，以及它们不同的语义组成部分。

Splicing ViT features

总体Loss：

Appearance Loss：

Structure Loss：

Identity Loss：

KL(It​) 表示输入图像 It 在某一层 L 的特征表示

公式含义：

最小化 风格图像在L层的特征，与 生成图像在L层的特征表示 的 Frobenius范数。