【论文阅读笔记】AsConvSR: Fast and Lightweight Super-Resolution Network with Assembled Convolutions

代码地址：https://gitee.com/mindspore/models/tree/master/research/cv/AsConvSR

论文小结

  本文提出的网络名为AsConvSR，结合一些高性能的算子，比如pixel-unshuffle，repeat upscaling，移除局部残差连接，提出了一个快且轻量级的超分网络。

  此外，本文提出了一个可以根据输入特征（input features）调整卷积核的组合卷积（assembled convolution）。从实验表明，其效果比其他的高效超分模型要更好，且在运行时间和质量方面取得了最佳结果。

论文简介

  之前的高效网络都是基于低分辨率（360P/540P/640P），这次挑战的分辨率为720P或1080P，之前的性能就显得有些不足。
  本文的工作有重新评估一些复杂拓扑的网络架构，比如Enhanced Spatial Attention（ESA）和Residual Feature Distillation Block（RFDB）。这些结构可以提高SR网络的性能，但也会增加模型运行时间。所以本文的策略还是选择那些简单拓扑的网络，认为那是构建高效超分辨率网络的最佳选择。
  这些选择包括：使用unPixelShuffle/PixelShuffle，简单拓扑的顺序卷积来提取特征，舍弃了所有在实际上会带来额外计算开销的中间跳跃连接（skip connection），只保留了一个全局跳跃连接以实现高效性。

  作者认为，对于不同纹理的输入（树、建筑物、人等），在直观上，是需要复杂地使用不同的处理方法的。所以，作者提出了一个组合卷积（assembled convolution），可以让网络自适应地应用不同的卷积核。
  与之前提出的动态卷积相比，本文的组合卷积更灵活和高效，因为它计算每个通道的最佳卷积核系数，并且该设计仅给整个网络带来微弱的计算成本和推理时间成本。
  模型的性能如下图所示，高效性得分和运行时间是最好的，可以在一个单独的GPU上（NVIDIA Tesla V100）上达到720P和1080P的实时超分性能。

网络设计

  实际中，对于大多数的计算设备，当通道数量小于一定水平（$16$或$32$）时，无法通过减少通道大小来减少运行时间。小通道尺寸也限制了设计的灵活性和SR网络的性能。

skip connection

  除了卷积层，跳跃连接也占据了大量的计算资源。它们不仅需要添加两个特征映射，而且还必须缓存之前的特征映射，这增加了访问内存的运行时间。

  在超分网络中，跳跃连接主要分为两类：（1）在网络架构内部中，比如残差模块的跳跃连接；（2）全局残差。
  依据后面的实验，可以知道，网络结构内部的跳跃连接可以移除。但全局残差不可以简单地移除，因为那可以稳固网络的训练，以及加速收敛。

Assembled Block

前言

  分而治之的思想被广泛地应用于图像处理领域，从经典方法到深度学习算法。例如，去除平坦区域的噪声和压缩效应，在边缘占优势（edge-dominant areas）的区域锐化边缘，在纹理丰富的区域生成更精细的细节。这些直觉是基于patch（patched-base）的超分辨率的基础。
  比如ClassSR使用一个分类网络来决定Patch是使用简单的子网来节省FLOPs还是使用一个复杂子网来得到更好的性能。但依据作者的实验，将图像分割并将其重新组合的过程也显著增加了网络的总运行时间。以一张1080p图像作为输入，组装patch的过程总共花费$7$ms，而整个运行耗时仅需要$30$ms。
  另一方面，动态卷积只会导致运行耗时的少量增加，因为动态消耗处于权重级别。动态卷积的主要计算成本仍然是$3\times 3$卷积，这使得它非常适合超分辨率任务。

模块细节

  assembled block包含一个控制模块和三个组合卷积。如下图所示，控制模块可以从特征图中得到组合参数：$$coeff={\mathcal{F}}_{control}(f_{in})$$
  $f_{in}$是输入特征图，$f_{in}\in {\mathcal{R}}^{B\times C_i\times H\times W}$，$coeff\in {\mathcal{R}}^{B\times C_o\times E}$，$E$是候选卷积核的数量。$E$的作用，类似于SENet的Expand，只不过是作用于Weight上。
  实际上和channel attention的类似，但对象是权重，而不是激活层。
$$K=coeff\otimes k_{basis}$$

$$f_{out}=conv(f_{in};K)$$

  其中$k_{basis}\in {\mathcal{R}}^{E\times C_i\times k_s\times k_s}$是候选卷积核，$K$是卷积的组合kernel，$k_s$是kernel size。$coeff$和$k_{basis}$先要分别reshape成$R^{(B\times C_o)\times E}$和$R^{E\times (C_i\times k_s\times k_s)}$，然后进行矩阵乘法得到最终的卷积核$K\in {\mathcal{R}}^{B\times C_o\times C_i\times k_s\times k_s}$。
  不同batches大小的数据需要不同的卷积核，特征图的batch维度被reshape到channel维度，然后使用group卷积来计算最后的输出特征图。

动态卷积

  动态卷积和组合卷积的对比如下图所示。动态卷积基于卷积核的base生成整个卷积核（所有通道），可以表示为：
$$K_{dynamic}=\sum _{i=0}^E{coeff}_i\times k_i^{dy},k_i^{dy}\in {\mathcal{R}}^{C_o\times C_i\times k_s\times k_s}\text{\hspace{1em}(5)}$$

  其中，$K_{dynamic}\in {\mathcal{R}}^{C_o\times C_c\times k_s\times k_s}$是卷积的卷积核，$k_i^{dy}$是候选核，与$K_{dynamic}$有相同的维度。

组合卷积

  组合卷积，为每个channel生成最优卷积核系数，可表示为：
$$K_j^{rs}=\sum _{i=0}^E{coeff}_{i,j}\times k_i^{rs}，k_i^{rs}\in {\mathcal{R}}^{C_i\times k_s\times k_s}\text{\hspace{1em}(6)}$$

$$K_{assembled}=cat(K_0^{rs},K_1^{rs},...，K_{C_o}^{rs})\text{\hspace{1em}(7)}$$

  其中，$K_j^{rs}$是卷积核第$j$个输出channel，$K_j^{rs}\in {\mathcal{R}}^{C_c,k_s,k_s}$，$k_i^{dy}$是assembled kernel的基础。

  卷积$K_{assembled}$是所有$K_j^{rs}$的组合。

  与动态卷积相比，本文提出的组合卷积在参数生成方面具有耕细粒度和更高的灵活性，从而在超分辨率方面具有更好的性能。实际上，相当于动态卷积扩展了一下。

网络

  网络架构如下图所示，使用两个$\mathbb{C}onv3\times 3$连接组合模块。前面的$\mathbb{C}onv3\times 3$输出channel为$32$（$\times 2$）或$64$（$\times 3$），后面的$\mathbb{C}onv3\times 3$输出channel为$48$（$\times 2$）或$108$（$\times 3$）。后面连接两个pixelShuffle，是为了添加两个全局残差连接。

论文实验

训练细节

  训练数据集共3450张图像，来自于DIV2K和Flick2K数据集。在五个基准数据集上测试模型的性能：DF2K（100张侧视图），Set5，Set14，BSD100和Urban100.

  在RGB颜色空间评估PSNR和SSIM，依据NTIRE 2023 实时超分挑战的排名规则计算模型性能分数:$$Score=\frac{2^{PSNR-bicubic}\times 2}{C\times \sqrt{runtime}}\text{\hspace{1em}(8)}$$

  其中，'bicubic’是双三次差值的PSNR，$C$是常数，设为$0.1$。使用 Adam 作为优化器，${\beta }_1=0.9,{\beta }_2=0.9999$，初始学习率为$5\times 10^{-4}$，每$2\times 10^5$次迭代衰减一次。整个训练过程迭代$1\times 106$次，使用 Charbonnier 作为损失函数。在训练的时候，HR的patchSize设为$256\times 256$，即LR的patchSize为$128\times 128$，batchSize为32。增强手段为随机旋转和翻转。

定量结果

  与当前最先进的高效超分辨率模型进行比较，模型有IMDN、RFDN、RLFN、FMAN和RTSRN，对比结果如下表所示。AsConvSR表示规模较小的模型，AsConvSR-L有两个组合模块，每个模块有$128$个通道和$128$个侯选核。AsConvSR只有一个$32$通道的组装块。

  如上表所示，AsConvSR的FLOPs只有RTSRN的$2.26\%$，运行时间只有RTSRB的$10.33\%$。由于组合卷积具有大量的权值基，所以本文的模型参数是另一个模型的数倍。然而，本文的模型仍然比其他模型快得多，这表明组装卷积并不占用太多的计算资源，大部分计算预算仍然被特征映射上的常规卷积所消耗。

  与其他高效SR模型的定量比较如下表所示。本文方法可以在每个基准数据集上得到最好的分数。从表中可以看出，其中分数较高，但是PSNR和SSIM在其中并不突出，但都比其中最快的RTSRN好些。这也符合NTIRE 2023超分挑战的分数公式预期：要更快的运行速度。

视觉比较

  从下图$6$可以看出，AsConvSR-L在恢复压缩纹理方面要比RTSRN要好。与RLFN和FMEN相比，在锐度方面也有竞争力。

  下图$7$是AsConvSR的可视化结果，对比双三次插值时，AsConvSR的视觉效果明显优于双三次插值，也仅仅使用了$3.91$ms，达到与RTSRN相似的质量。总的来说，AsConvSR-L和AsConvSR都保持了恢复精度，并显著缩短了模型运行时间。

消融学习

模块消融

  网络结构，不同模块的消融学习如下，分数使用NTIRE 2023的计算方式，即上面的公式（8）。验证集为DF2K数据集。

  使用RLFN作为baseline，验证ESA和repeat upscaling的高效性。从上表可以看到，增加EAS确实能提高PSNR，但它增加了$20.07$ms的运行时间，这是整个模型运行时间的$25.72\%$。这个现象显示，ESA对于高分辨率图像的输入来说不够高效。
  然后使用repeat upscaling 替换模型中的双三次插值，这能减少$2.13$ms的运行时间。在实时性为$30$ms的标准下，使用repeat upscaling可以节省$7.1\%$的运行耗时。这表明，repeat upscaling 是实用且高效的。

UnPixelShuffle消融

  Pixel-Unshuffle(1)表示将图像的原图分辨率作为网络的输入，没有使用pixel-unshuffle来对宽高进行采样channel数据。Pixel-Unshuffle(x)表示从高度和宽度维度到通道维度以间隔x采样像素。x越大，通道数量就越大。所以，对下标来说，对应网络的channel分别为$64$，$128$，$192$和$256$，这样可以确保每次试验中FLOPs的一致性。

  如上表所示，尽管实验中的FLOPs保持了一致，但随着pixel-unshuffle因子的提升，PSNR和运行时间都在下降。

  这表明：（1）在FLOPs不变的情况下，更大的通道尺寸和更小的分辨率的卷积在NVIDIA GPU上运行得更快。。（2）unPixelShuffle打乱了特征的空间分布，降低了模型的性能。

  综合来看，作者选择$2$作为随后实验的pixel-unshuffle因子。

残差结构消融

  残差结构和卷积算子的bias消融学习如下表所示。

  在没有残差连接的网络中，作者在某个卷积上添加了$1$个输出通道。这是因为按照RepOpt的指示，如此修改相当于增加了对应的跳跃连接，虽然没有明确指示。

  在丢掉残差结构的网络，其PSNR仍保持着，但运行时间有所下降。
  相反，全局残差连接证明了其必要性。因为移除掉全局残差之后，PSNR掉的非常多，而且训练过程变得不稳定。
  同时，作者发现移除卷积中的姹姹，可以提高网络的性能。

  结论：对于超分模型来说，移除全局残差是不可取的。在接下来的实验中，作者选择移除残差结构和卷积中的偏置。

Channel Size消融

  不同channel size对于模型的性能影响如下表所示。

  当通道数量改变时，FLOPs和运行时间不会成比例地减少或增加。
  128channel的网络的FLOPs几乎是64channel网络的$4$倍，但运行时间只有$2$倍。
  然而考虑到PSNR的恶化速度，64channel在效率得分上仍然胜出。

  此外，减少通道所带来的速度提升也是有限度的。
  在Tesla V100平台上，当网络减少到$16$通道时，运行时间的减少不再明显。

  考虑到运行时间和PSNR，作者认为$32$是模型的最佳通道数。

动态卷积 vs 组合卷积

  如下表所示，替换传统卷积为动态卷积，只增加了$0.11$ms的运行时间，但能带来0.14dB的PSNR提升。这证明了分而治之思路的有效性。

  此外，组合卷积在运行时间基本不变的情况下，提高PSNR和较大幅度地提高了NTIRE 2023超分挑战的分数。

所有设计对比

  减少网络的通道数，可以减少运行时间，进而可以较大幅度地提高NTIRE 2023超分挑战的分数，但也减少了PSNR指标。组合卷积可以提高PSNR，同时基本不增运行时间，从而对分数带来较大的提升。

比赛版本

  参加NTIRE 2023实时超分挑战，本文方法获得了Track 1赛道（$\times 2$）的第一名。和前面所述的最大区别在于训练数据上。在比赛中，作者使用了DIV2K，Flick2K，DIV8K，GTAV 和 LIU4K-V2用于训练。其他超参和上述实验保持一致。如下表所示，本文方法比第二名最好的模型在PSNR搞了0.39dB，同时有最高的分数。