论文笔记——Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data_real-esrgan训练时间

基本信息

标题：Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data
简称：Real-ESRGAN
时间：17 Aug 2021, International Conference on Computer Vision Workshops (ICCVW) 2021
作者：Xintao Wang, Liangbin Xie, Chao Dong, Ying Shan；Applied Research Center (ARC), Tencent PCG, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, University of Chinese Academy of Sciences, Shanghai AI Laboratory
论文：https://arxiv.org/abs/2107.10833
代码：https://github.com/xinntao/Real-ESRGAN

主题内容

方法：

Real-ESRGAN是基于ESRGAN做出一系列的改进得到的，主要为了解决现实世界中更为复杂的低质图像超分问题。主要改进有以下几点：

（1）相比传统的一阶降质方法，论文提出了一个新颖的二阶降质方法，能够模拟现实世界中更为复杂的降质操作。另外使用sinc滤波器来模拟比较普遍的ringing和overshoot artifacts。

（2）网络结构方面，生成网络沿用了ESRGAN的主体结构，只是在采样因子为1和2时（默认为4），在最开始加了一个pixel_unshuffle操作，来降低输入数据的尺寸。在判别器方面，论文采用了更为新颖的结构——带谱归一化（spectral normalization，SN）的U-Net，能够增大网络容量同时稳定训练过程。

（3）Real-ESRGAN的训练数据对均为采用降质方法合成的数据，能够在很大程度上模拟现实世界中更为复杂的低质图像，同时达到很好的视觉效果。

降质方法：

（1）经典的一阶降质方法

D表示整个降质过程，将gound-truth y 首先与blur kernel k卷积，然后使用采样因子为r的下采样操作，得到低分辨率图x后再加一个noise n，最后采用JPEG压缩处理。

Blur：

加模糊。模糊操作通常被表示成使用一个线性blur滤波器卷积，常用的有各向同性（isotropic）和各向异性（anisotropic）高斯滤波器。对于一个核大小为2t+1的高斯blur核k，其元素值是从高斯分布采样得到：

其中$\sum$是协方差矩阵，C是空间坐标，N是正则化常数。协方差矩阵可被表示为：

其中${\sigma }_1$和${\sigma }_2$是沿着两个主轴的标准差，$\theta$是旋转角。
当 ${\sigma }_1={\sigma }_2$时k是各向同性高斯blur核，否则k是各向异性核。

进一步讨论，上述高斯blur核无法很好地模拟相机blur，为了引入更多不同的核形状，论文使用了泛化高斯blur核和一个高原形状分布（plateau-shaped distribution）。它们的概率密度函数（ probability density function, pdf）分别是

和

，其中$\beta$是形状参数。实验发现这些blur核对少数真实样本能够产生更sharper的结果。

Noise：

加噪。两个广泛使用的噪声类型是加性高斯噪声（additive Gaussian noise）和泊松噪声（Poisson noise）。加性高斯噪声的pdf等于高斯分布，噪声强度由高斯分布的标准差控制。当RGB图像的每个通道单独作用噪声时，合成的噪声是彩色噪声（color noise），当三个通道应用相同的噪声采样时，论文同时采用了彩色噪声和灰度噪声（grey noise）。

泊松噪声服从泊松分布，通常被用于模拟由于statistical quantum fluctuations造成的传感器噪声，泊松噪声强度与图像强度成比例，不同像素的噪声是相互独立的。

Resize（Downsampling）：

降采样。对于SR领域合成低分辨率图像来说降采样是一个非常基本的操作。通常情况下，降采样和上采样会被同时使用，也就是resize操作。常用的几种采样算法有 nearest-neighbor interpolation，area resize，bilinear interpolation，bicubic interpolation。不同的采样操作会带来不同的效果，有些会产生模糊的结果，有些会产生带 overshoot artifacts的 over-sharp结果。 nearest-neighbor interpolation会导致结果 misalignment，所有论文只随机采用了另外三种。

JPEG compression：

JPEG压缩。也是一个常用的降质操作，会引入一些unpleasing block artifacts。压缩质量由一个因素$q\in [0,100]$控制，更低的q表示更高的压缩比和更差的质量。论文使用了PyTorch实现库——DiffJPEG。

（2）高阶降质模型

采用传统的一阶降质模型虽然可以解决一些常见的问题，但是对于真实世界更复杂的降质操作无法很好的模拟，特别是一些位置的noises和复杂的artifacts。论文在一阶降质模型的基础上提出高阶（二阶）降质模型来模拟更实际的降质操作。

整体的方法大致是原先的一阶模型重复两次，两次降质在细节上有一些不一样，例如blur的标准差等，详情可以见论文的实验章节的Degradation details部分和实现代码。另外第二阶段的JPEG压缩部分加了一次2D sinc滤波（论文提到sinc和JPEG前后顺序随机）。

基于效果和速度考虑，论文采用了二阶降质模型，能够更多的模拟真实世界的降质操作。同时论文也提出对于某些case该二阶降质模型也无法完全cover。

（3） ringing 和 overshoot artifacts

Ringing artifacts（振铃瑕疵）通常出现在图像中边缘过度处，视觉表现上通常为真实边缘的鬼影。 Overshoot artifacts（过冲瑕疵）通常伴随振铃瑕疵出现，表现为边缘过度上的突增。

造成这些瑕疵的原因主要是这是一个没有高频的带限信号，通常由锐化算法和JPEG压缩等引入。

论文提出采用sinc滤波器截断高频部分来模拟 ringing and overshoot artifacts。

网络结构：

生成器部分：

回顾一下ESRGAN论文中的网络结构图以及重要的RRDB模块：


Real-ESRGAN沿用了ESRGAN的主体生成网络结构，只是在采样因子为1和2时（默认为4），在最开始加了一个pixel_unshuffle操作，来降低输入数据的尺寸。

判别器部分：

论文提到首先尝试了ESRGAN中使用的VGG结构的判别器，但是效果不是很好。主要原始还是因为采用了更为复杂的降质操作，原始的简单结构无法提供很好的局部细节信息，导致生成器生成结果在细节上做得不够好。于是论文尝试采用U-Net结构的判别器，能够为生成器提供像素级别的梯度反馈。另一方面，采用了SN来稳定训练过程，同时观察到SN对减轻训练过程中引入的过度锐化和部分噪声有帮助。

损失函数设计：

（1）将标准判别器替换为带SN结构的U-Net。

（2）感知损失 Perceptual Loss
仍使用和ESRGAN一致的感知损失。

（3）总损失函数
训练被分为两个阶段，第一阶段先用L1 loss训练一个PSNR导向的模型，得到的模型命名为Real-ESRNet。

第二阶段使用得到的 Real-ESRNet模型作为初始化的生成器，使用L1 loss，perceptual loss和GAN loss的组合来训练Real-ESRGAN。
$L_G=L_1+\lambda L_{percep}+\gamma L_G$，其中$\lambda =1$，$\gamma =0.1$。
其中感知损失$L_{percep}$采用预训练的VGG19模型的conv1到conv5激活前特征图（和ESRNet一致）计算得到，每层的权重为 {0.1, 0.1, 1, 1, 1}。

训练细节：

（1） 与ESRGAN一样，训练数据集采用DIV2K数据集、Flickr2K数据集、 OutdoorSceneTraining (OST)数据集。训练HR块尺寸设为256。在4张V100上训练，batch size设为48。采用Adam优化器。

（2）训练分为两个阶段，第一阶段先用L1 loss训练一个PSNR导向的模型（为了快速收敛，直接从ESRGAN微调得到），学习率初始化为2e-4，迭代1000k次得到的模型命名为Real-ESRNet。第二阶段使用得到的 Real-ESRNet模型作为初始化的生成器，使用L1 loss，perceptual loss和GAN loss的组合来训练Real-ESRGAN，学习率初始化为1e-4，迭代 400K。采用 exponential moving average（EMA）使得训练更稳定结果更好。

（3）工程实现基于 BasicSR 库。

降质细节：

评估标准：

（1）定量评价：NIQE

（2）定性评价

亮点：

（1）提出高阶降质模型

（2）引入sinc滤波器模拟常见的ringing和overshoot artifacts

（3）采用了带谱归一化的U-Net作为判别器，能够增大判别器容量同时稳定训练过程

（4） Real-ESRGAN通过使用上述方式在合成数据对上进行训练，能够对真实世界大多数图片进行细节增强的同时移除 annoying artifacts。

应用场景：

从代码链接中的内容可以看到，目前Real-ESRGAN可以有效应用在动画图片和视频的SR，对于更通用的自然场景可能结果会有一些奇怪的问题，一般需要在对应数据集上进一步微调。

不足：

（1）在某些真实图片上效果不好，特别是建筑物和室内场景，可能会产生twisted lines。

（2）在GAN训练过程中在某些样本上会引入一些 unpleasant artifacts。

（3）无法解决降质模型能力外的真实样本，更有甚者可能会放大这些瑕疵。

未来需要解决上述问题，让模型能够更实用。

其他补充：

（1）工程上的优化： Training pair pool。为了增加同一个batch中数据的降质多样性，论文提出一个缓冲数据池，将不同降质操作的数据放入池中，每一个mini-batch随机从池中捞取。且所有的降质操作都基于PyTorch实现，达到了数据预处理生成的on the fly。

（2）Trick：在GroundTruth上做USM锐化，能够得到比较好的视觉结果。

版权说明

本文为原创文章，独家发布在blog.csdn.net/TracelessLe。未经个人允许不得转载。如需帮助请email至tracelessle@163.com。

参考资料

[1] 论文《Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data》
[2] 代码 Real-ESRGAN