ICCV2023 | 更快、更灵活的 Transformer图像去雾网络

关注公众号，发现CV技术之美

本文分享 ICCV 2023 论文MB-TaylorFormer: Multi-branch Efficient Transformer Expanded by Taylor Formula for Image Dehazing，介绍更快、更灵活的 Transformer 图像去雾网络。

详细信息如下：

• 论文链接：https://arxiv.org/abs/2308.14036

• 代码链接：https://github.com/FVL2020/ICCV-2023-MB-TaylorFormer

Abstract

本文介绍了一种新的多支路线性Transformer网络，称为MB-TaylorFormer，能够有效且高效的进行图像去雾任务。

MB-TaylorFormer有以下几个贡献：

• 基于泰勒展开的线性Transformer网络，对像素间的长距离关系进行建模。通过引入了MSAR模块，以纠正对softmax-attention进行泰勒展开的误差；

• 通过多支路和多尺度结构提取具有多尺度感受野、多层次语义信息和更灵活的感受野形状的Token；

• 更优的性能、更少的计算量和更轻量的网络。

我们在多个去雾数据集（ITS、OTS、O-HAZE、Dense-Haze）上进行了实验。实验结果表明：MB-TaylorFormer以极低的参数量和计算复杂度优于其它SOTA方案。此外，去雨和去雪的实验结果表明MB-TaylorFormer同样有效。

Method

Network Architecture

上图给出了本文所提出的MB-TaylorFormer三个核心模块：多尺度Patch Embedding（图2.b）、Taylor展开的自注意力（图2.c）和MSAR模块（图2.d）。

Multi-scale Patch Embedding

相比NLP领域，视觉Token在尺度上非常灵活。现有的工作在补丁嵌入中采用了固定卷积核大小的卷积，这可能导致视觉Token的单一尺度。为了解决这个问题，我们设计了一个新的多尺度Patch Embedding，具有三个特性：

1. 多尺度的感受野

2. 多级语义信息

3. 灵活的感受野形状。

具体来说，通过设计多个并行的具有不同尺度卷积核的可变形卷积（DCN），我们使Patch Embedding能够生成粗糙和精细的视觉标记，以及具备灵活的表达能力，如下图所示。受到堆叠多层3*3卷积可获得更大感受野的启发，我们堆叠了几个小卷积核的DCN以获得更丰富的采样点。这不仅增加了网络的深度以提供多级语义信息，还有助于减少参数和计算负担。此外，我们还对DCN加入两个小的改动：

• 通过对offset截断使得Token更关注局部。

• 与深度可分离卷积的策略类似，我们提出了深度可分离和可变形卷积（DSDCN），它将 DCN 的各部分分解成Depthwis卷积与Pointwise卷积。

Taylor Expanded Multi-head Self-Attention

对于原始的Transformer的Self-attention表达式，如下所示：

我们可以更一般的写成：

其中，当f(x)=时，上式退化为Softmax-attention。现在对进行泰勒展开，得到：

忽略一阶泰勒展开的余项，可以写成：

进一步，利用矩阵乘法结合律，得到具有线性计算复杂度的Self-attention计算公式：

我们将上式命名为Taylor expanded multi-head self-attention（T-MSA）, 其计算浮点数计算量和原始Softmax-attention的浮点数计算量如下所示：

T-MSA包含以下三个优势：

• 不受限于分窗导致的感受野下降

• 进行全局像素的self-attention，而非通道之间的self-attention

• 相比一般的的核函数方法在数值上更接近Softmax-attention

Multi-scale Attention Refinement

由于忽略泰勒展开余项不可避免的存在误差，而估计

将无法通过结合律使T-MSA的计算复杂度线性化。然而，余项与 Q 和 K 矩阵有关。考虑到图像具有局部相关性，如图2.d所示，我们学习 Q 和 K 矩阵的局部信息来校正不准确的输出 V ′，对于多头self-attention，我们concat

和 并通过多尺度分组卷积输出一个门控张量 。此外，conv-attention 模块允许TaylorFormer 更好地处理高频信息。

Experiments

Main Results

上表给出了MB-TaylorFormer和其它SOTA 模型的对比，从中可以发现：

• 在合成数据集（SOTS-Indoor、SOTS-Outdoor）上，MB-TaylroFormer-B分别取得了40.71dB和37.42dB指标，MB-TaylroFormer-L分别取得了42.64dB和38.09dB指标，优于之前的SGID-PFF的38.52dB和30.20dB

• 在真实数据集（O-HAZE和Dense-Haze）上，MB-TaylroFormer-L和MB-TaylroFormer-B分别以0.20dB和0.04dB优于之前的最佳方案Dehamer

• 相比其他方案，MB-TaylorFormer-B具有更少的计算量和参数量，更高的指标。

上图给出了合成数据集与真实数据上的视觉效果对比，可以看到：MB-TaylorFormer不仅在阴影处更好的恢复了细节，同时也有效的避免了伪影和色偏。

Ablation Studies

Study of multi-scale patch embedding and multi-branch structure

表2研究了不同的Patch Embedding和不同的支路数的影响，以单支路为baseline，我们可以发现：

• 在相似的参数量和浮点数计算量下，多支路优于单支路

• 多尺度感受野（Dilated Conv-P）相比单尺度感受野（Conv-P）带来了+0.35dB的提升

• 多层次语义信息（Conv-S）相比不具有多层次语义信息（Dilated Conv-P）带来了+0.27dB的提升

• 更灵活的感受野形状（DSDCN-S）相比固定的感受野形状（Conv-S）带来了+1.67dB的提升

Effectiveness of multi-scale attention refinement module

表3表明MSAR模块的设计能够以一种极轻量化的设计有效提升TaylorFormer的性能。

Comparison with other linear self-attention modules

表4通过T-MSA和多种不同的线性Transformer的对比，证明了T-MSA在去雾任务上的有效性。

Analysis of approximation errors

为了验证近似误差的影响，我们在在Swin的窗口内对softmax-attention进行泰勒展开，我们发现，对softmax-attention进行更高阶的展开能取得更好的性能，这可能时因为更优的数值近似和attention map具有更高的秩。

注：由于Swin的窗口取8，不存在N>>d的性质，因此，表5实验的MACs计算量不由矩阵乘法结合律得出。

实验室介绍

中山大学智能工程学院的前沿视觉实验室（FVL主页：https://fvl2020.github.io/fvl.github.com/ ）由学院金枝副教授建设并维护，实验室目前聚焦在图像/视频质量增强、视频编解码、3D 重建和无接触人体生命体征监测等领域的研究。旨在优化从视频图像的采集、传输到增强以及服务后端应用的完整周期。我们的目标是开发通用的概念和轻量化的方法。为了应对这些挑战，我们将持之以恒地进行相关的研究，并与其他实验室进行合作，希望利用更多关键技术，解决核心问题。长期欢迎有志之士加入我们！

END

欢迎加入「图像去雾」交流群👇备注：去雾