论文：通过循环的潜在空间传播实现高效的视频超分
文章检索出处:2019 arXiv
摘要和简介
VSR算法成功的关键在于如何充分利用时间信息。近年来，大多数基于深度学习的VSR方法将任务分为两个子问题：运动估计和补偿，由于亚像素级对齐是一个比较有挑战的问题，所以这些方法可能会产生模糊的估计。此外，复杂的运动估计和补偿模块通常在计算上很昂贵，这使得这些方法无法实时处理视频。DUF为了解决这个问题，通过动态上采样滤波器隐式的捕获运动信息，并通过对中心输入帧进行局部滤波直接构建HR帧。但是，DUF需要估计每个位置的动态滤波器并且使用了大量的3D卷积，计算量及其庞大，在处理大尺寸图像时对内存和显存要求较高。
在本文中，我们提出了一种有效的循环潜在空间传播的算法(RLSP)。它与FRVSR采用相似的策略，不同的是，FRVSR采用显示运动估计和warping操作来利用时间信息，RLSP则是引入了高维潜在状态以隐式的方式传播时间信息。
我们所提出的方法对比FRVSR和DUF分别提升了近10和70倍的速度，此外，我们的RLSP 7-256在Vid4上也实现了SOTR。
方法
我们将 xt?1:t+1x_{t-1:t+1}xt?1:t+1?和循环输入 ht?1h_{t-1}ht?1?、yt?1y_{t-1}yt?1?在通道维度上进行叠加。其中，先前的HR输出yt?1y_{t-1}yt?1?要经过shuffled down操作才可以和当前的LR输入进行合并和对齐。然后合并好的数据输入到具有ReLU激活函数的n个卷积层中，将生成下一次迭代的隐藏状态hth_tht?和HR残差，将残差与经过最邻近插值和放缩系数为4的shuffled down操作后的xtx_{t}xt?相加，最终生成输出yty_{t}yt?。所有的输入帧都在RGB颜色空间中，而输出表示的是YCbCr颜色空间中的通道Y，其中CbCr经过双三次插值法进行放大。在本次实验中，n=7，所有的filter size为3x3。损失函数使用像素均方误差。
Shuffling
Shuffling 是双射变换，因此这些操作是可逆的。放大系数为x4时需要输入16通道图像，具体如下图所示。
将xtx_txt?从RGB颜色空间转换为亮度通道y，并复制16次并shuffling以去匹配残差的尺寸。此过程实际上就是最邻近插值，在此过程不会更改任何的信息，也无需分配复杂性。转换公式如下：
Y = 0.257R + 0.504G + 0.098B + 16
Gray = R0.299 + G0.587 + B0.114 (作为对比，灰度与Y通道的转换过程并不一样)
实验
数据集：从 vimeo.com获取的37个视频(原本有40个，但是有3个不在线)，采样生成了40,000个大小为20x256x256x3的数据集。使用σ\sigmaσ=1.5的高斯滤波并只对4-th像素进行下采样生成LR图像。测试集为Vid4。
训练：权重使用Xavier初始化，Adam优化器，batche size = 4，初始ht?1h_{t-1}ht?1?和yt?1y_{t-1}yt?1?使用零初始化。在实验中，我们最快的模型有7层，每层有48个filters，记做 RLSP7-48，最准确的模型结构为 RLSP7-256。网络的学习率初试为10?410^{-4}10?4，对于RLSP7-64,学习率在2M和3M次迭代后/10，其他模型则在2M和4M后/10。
（部分与输入有关将在后续补足）
针对不同输入的消融实验结果：
红线附近处图像细节对比：
为了调查信息流的范围，第一次运行比第二次运行提前了100帧。实验发现这些帧可以在近175帧上传播信息。直到两个运行最终收敛为止，最高可获得0.2dB的PSNR值。
不同模型在Vid4上PSNR随时间对比图：
不同模型在Vid4上运行时间和PSNR对比，双三次插值为baseline：
原创文章，如需转载请注明出处，谢谢。
