阅读笔记5：董超底层视觉之美|时空的交错与融合—

本文主要是介绍阅读笔记5：董超底层视觉之美|时空的交错与融合——论视频超分辨率，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

原文链接：https://mp.weixin.qq.com/s/pmJ56Y0-dbIlYbHbJyrfAA

1. 多帧超分和时空超分

视频超分的本质就是多帧超分，多帧超分的历史远早于视频超分。
在早期，Super Resolution专指多帧超分，因为只有多帧超分才能补充进入真实的信息，而单帧超分主要是指插值算法。
早期的一些工作：
首篇单帧超分：《Super-resolution from a single image》
Bicubic 发表于1981年
首片多帧超分：1984年Thomas Huang《Multi-frame Image Restoration and Registration》
现在的单帧超分由于加入了生成的成分，也被叫作hallucination，我们现在仍然用face hallucination来形容人脸超分。
但是现在已经不区分这些名词了，统一称为超分。

时空超分，代表作：《Space-Time Super-Resolution》

时空耦合：

运动模糊

由于相机都有曝光时间，物体在曝光时间内产生了运动，光线经过时间的积累，就产生了轨迹（如图4左）。从某种程度上讲，运动模糊带来的是空间分辨率的缺失，而弥补它的办法，恰恰是增加时间分辨率。也就是说，如果我们可以用高速相机拍摄，缩短曝光时间，增加快门速度，就能有效的减少运动模糊（如图4右）。
运动混叠

第二个现象是运动混叠，当运动速度超过了帧率，那么运动轨迹的高频部分就会与低频部分混叠，产生出虚假的幻觉。比如车轮逆转效应（wagon wheel effect），我们看快速转动的车轮会感觉它好像在倒转，这就是运动混叠带来的假象。也就是说，没有正确的帧率，就没有正确的画面，时空又一次耦合在一起了。

建模时空分辨率

假设真实的运动场景在时间和空间上都是连续的，那么视频就是在连续时空场景下的采样，时间降采样形成时间分辨率（帧率），空间降采样形成空间分辨率（像素）。时间采样用的是时间模糊函数（temporal blur），代表曝光时间，空间采样用的是点扩散函数（point-spread-function），代表光圈大小。当我们选出一个三维时空块（如图5所示）时，就可以对它进行时空两个维度上的降采样，在信息量不变的情况下，时空分辨率可以进行置换。

当空间分辨率不足时，可以通过时间分辨率来弥补，反之亦然。如此一来，我们要想进行视频超分，增加空间分辨率，就必须要有足够的时间分辨率（帧率）做支撑，帧率越高，动作越慢，就越容易恢复。相反的，如果帧率不够，动作很快，那就很难进行视频超分。

2 基于深度学习的视频超分

视频超分的基本框架如下图所示：包括多帧对齐模块、特征融合模块和图像重建模块。
在这里插入图片描述

与多帧超分的区别
视频超分的帧数更多，帧间关系更加复杂，帧间相对位移较大，且存在运动、遮挡、转场等问题。
与时空超分的区别
视频超分是从单一视频重建出高空间分辨率的视频，中间无须进行插帧，也不用考虑时空补偿。
视频超分最关键的就是多帧信息的利用，成功的标准就是恢复出了单帧图像中没有的信息。

2.0 数据集

Vimeo-90k
- 6万段
REDS
- 270段视频
- REDS是用手持设备拍摄的外景数据，帧率很高，相邻帧有切实有用的互补信息，而且同一场景可以利用的帧数长达100帧，能够充分验证算法的优劣。

2.1 基于CNN的方法

2.1.1 VSRnet

发表于2016年，是第一篇借鉴了SRCNN的视频超分网络。
核心贡献就是探索了多种对齐和融合的可能性：
多帧对齐：光流估计和运动补偿，其中光流估计用的是传统的光流估计算法 Druleas ，以及根据像素相似度来调节的自适应运动补偿算法
多帧信息融合：早期融合，中间融合和最后融合，中间融合的效果最好，因为它让每张图像的特征都提取的更充分，也融合的更充分。

2.1.2 EDVR

对齐操作
（1）采用可形变卷积进行多帧对齐（1x1的可形变卷积可以等同于光流对齐操作）；
（2）为了解决对齐精度不高的问题，将对齐操作放到了特征空间，而不是像素空间，特征不仅可以保留更多的图像信息，而且对精度高低不敏感；
（3）为了解决卷积核的大小限制了它能覆盖的运动范围的问题，采用由粗到细的金字塔式对齐策略，仿照了光流估计算法的做法，可以在多个尺度上捕获运动，进行对齐；
融合操作
提供了一种时空注意力融合机制，但是效果提升其实不是特别明显；

2.1.3 BasicVSR

除了对齐和融合外，提出了一个新的关键因素：信息传递；

信息传递
每一帧提取的特征都被传递到了下一帧，通过与下一帧的融合产生出新的特征，而这个特征也会被传递到下一帧，直到整个视频流结束。也就是说，每一帧都只需要提取一次特征，也只需要与相邻帧进行对齐，但却可以将这些信息传递到最远的帧。
BasicVSR采用的是双向传播
对齐操作
SpyNet光流对齐

2.2 基于Transformer的方法

Transformer与CNN相比有什么不同？
（1）卷积具有参数共享和平移不变的特性，在所有位置的权重都是一样的，而Transformer采用的是自注意力机制（self-attention），让输入的每一个样本点都与其他位置的样本点进行对比，然后根据相似性来配比权重，再融合所有样本点的信息来获得下一层的结果。模型的拟合能力更强；
（2）卷积具有局部性，而Transformer具有全局性，能够解决远距离和长程的信息传递问题。
Transformer来做视频超分有什么优势？
Transformer具有全局性，这正是视频超分中最重要的对齐操作所需要的；
相比于经典的对齐操作，Transformer做对齐有什么优势？
光流对齐受限于光流估计的精度，而可变形卷积对齐仍然受制于卷积核大小，不能与更远的像素产生关联。但Transformer就有可能突破这个限制，让对齐操作在自注意力机制中自动完成。

通过基于swin transformer的网络来做实验，发现Transformer有对齐相邻帧的能力，而且比光流估计做的更好，只要相对运动在自注意力的窗口范围内，就不需要进行额外的对齐操作。

对于运动较大的视频超分，可以对齐图像块，而不对齐像素，用patch alignment取代pixel alignment。

2.3 基于生成模型的方法

在生成模型之前，视频超分的目标是复原：通过多帧图像来复原隐藏的亚像素信息；而生成模型可以无中生有，弱化了复原的目标。

生成式视频超分的最大问题：帧间不一致性
细节闪烁、局部噪声、色彩失调、身份改变
解决帧间不一致性的思路
为了保持帧间一致性，就需要再次对齐多帧图像，让相邻帧之间可以通信，以此来统一生成的范式

生成式复原有两种类型：对抗生成网络（Generative Adversarial Networks）和扩散模型（Diffusion Model）两个主要范式。

基于gan的视频超分

将对抗生成网络引入视频超分是比较直接的，我们可以在原有的模型上加入对抗损失函数（GAN loss），并通过帧间的特征距离来约束一致性，就可以得到生成式视频超分模型，比如BasicVSR的升级版RealBasicVSR。这样的改进不需要更换模型结构，也不用增加模型规模，因此相对简单。但也因为简单，它能够得到的效果提升也很有限。
基于diffusion的视频超分

（1）模型结构必须要依赖基模型，不能完全从零开始训练，否则就会失去强大的先验知识；
（2）多帧对齐和约束方案都要根据基模型进行调整，不能随意改动；
（3）训练策略和损失函数会变得更加复杂，需要参数初始化、迭代优化、修改噪声采样策略等技巧的加入。
（4）基模型的参数量都很大，往往在十亿级别以上，这就大幅提升了训练和测试成本；
基于diffusion的视频超分目前存在的问题

视频的连续性并没有完全解决，而多帧约束的加入也限制了基模型的发挥。同时，不同的基模型也有完全不同的特点，相同的方法未必适用于所有基模型。而且，生成式视频超分缺乏公开的大规模高清数据集和统一的评测标准，难以支持算法的训练和公平对比。我们前面所提到的各种发现也都还没有被沿用过来，因此生成式视频超分还有很大发展空间。
展望

文生视频是时空生成，而不是多帧图像生成。视频超分也不应该只在图像超分的基础上进行对齐、融合、约束的讨论。

这对视频超分也是一样的，前面讲的再多，也都是在图像的基础上谈对齐、谈融合、谈约束，什么时候视频可以被当成一个整体被处理、被放大、被输出，那前面的很多问题就都不再是问题了，我想这一天并不遥远，让我们拭目以待。