Transformer再下一城！low-level多个任务榜首被占领，北大华为等联合提出预训练模型IPT

来自Transformer的降维打击！北京大学等最新发布论文，联合提出图像处理Transformer。通过对low-level计算机视觉任务，如降噪、超分、去雨等进行研究，提出了一种新的预训练模型IPT，占领low-level多个任务的榜首。

本文首发自极市平台，作者@Happy，转载需获授权。

paper: https://arxiv.org/abs/2012.00364

该文是清华大学&华为诺亚等联合提出的一种图像处理transformer。Transformer自提出之日起即引起极大的轰动，BERT、GPT-3等模型迅速占用NLP各大榜单；后来Transformer被用于图像分类中同样引起了轰动；再后来，transformer在目标检测任务中同样引起了轰动。现在Transformer再出手，占领了low-level多个任务的榜首，甚至它在去雨任务上以1.6dB超越了已有最佳方案。

Abstract

随机硬件水平的提升，在大数据集上预训练的深度学习模型(比如BERT，GPT-3)表现出了优于传统方法的有效性。transformer的巨大进展主要源自其强大的特征表达能力与各式各样的架构。

在这篇论文中，作者对low-level计算机视觉任务（比如降噪、超分、去雨）进行了研究并提出了一种新的预训练模型：IPT(image processing transformer)。为最大挖掘transformer的能力，作者采用知名的ImageNet制作了大量的退化图像数据对，然后采用这些训练数据对对所提IPT(它具有多头、多尾以适配多种退化降质模型)模型进行训练。此外，作者还引入了对比学习以更好的适配不同的图像处理任务。经过微调后，预训练模型可以有效的应用不到的任务中。仅仅需要一个预训练模型，IPT即可在多个low-level基准上取得优于SOTA方案的性能。

上图给出了所提方案IPT与HAN、RDN、RCDNet在超分、降噪、去雨任务上的性能对比，IPT均取得了0.4-2.0dB不等的性能提升。

Method

为更好的挖掘transformer的潜力以获取在图像处理任务上的更好结果，作者提出了一种ImageNet数据集上预训练的图像处理transformer，即IPT。

IPT architecture

上图给出了IPT的整体架构示意图，可以看到它包含四个成分：

• 用于从输入退化图像提取特征的Heads；
• encoder与decoder模块用于重建输入数据中的丢失信息；
• 用于输出图像重建的Tails。

Heads

为适配不同的图像处理任务，作者提出采用多头(multi-head每个头包含三个卷积层)架构以分别处理不同的任务。假设输入图像表示为$x\in R^{3\times H\times W}$，每个头可以生成特征$f_H\in R^{C\times H\times W}$(注：C默认64)。故多头架构的计算过程可以描述为：
$$f_H=H^i(x),i=(1,\cdots ,N_t)$$
其中$N_t$表示图像处理任务个数。

Transformer encoder

在将前述特征送入到transformer之前，需要将输入特征拆分成块，每个块称之为“word”。具体来讲，输入特征$f_H\in R^{C\times H\times W}$将被拆分为一系列块 f p i ∈ R p 2 × C , i = { 1 , ⋯   , N } f_{p_i} \in R^{p^2 \times C}, i=\{1, \cdots, N\} fpi​​∈Rp2×C,i={ 1,⋯,N}，其中$N=\frac{HW}{P^2}$表示特征块的数量，P表示特征块尺寸。

为编码每个块的位置信息，作者还在encoder里面添加了可学习的位置编码信息$E_{p_i}\in R^{P^2\times C}$。这里的encoder延续了原始transformer，采用了多头自注意力模块和前向网络。

encoder的输出表示为$f_{E_i}\in R^{P^2\times C}$,它与输入块尺寸相同，encoder的计算过程描述如下：

$$y_0=[E_{p_1}+f_{p_1},E_{p_2}+f_{p_2},\cdots ,E_{p_N}+f_{p_N}]$$

$$q_i=k_i=v_i=LN(y_{i-1})$$

$$y_i^{{}^{\prime }}=MSA(q_i,k_i,v_i)+y_{i-1}$$

$$y_i=FFN(LN(y_i^{{}^{\prime }}))+y_i^{{}^{\prime }},i=1,\cdots ,l$$

$$[f_{E_1},f_{E_2},\cdots ,f_{E_N}]=y_l,$$

其中$l$表示encoder的层数，MSA表示多头自注意力模块，FFN表示前馈前向网络(它仅包含两个全连接层)。

Transformer decoder

decoder采用了与encoder类似的架构并以encoder的输出作为输入，它包含两个MSA与1个FFN。它与原始transformer的不同之处在于：采用任务相关的embedding作为额外的输入，这些任务相关的embedding E t i ∈ R P 2 × C , i = { 1 , ⋯   , N t } E_t^i \in R^{P^2 \times C},i=\{1, \cdots, N_t\} Eti​∈RP2×C,i={ 1,⋯,Nt​}用于对不同任务进行特征编码。decoder的计算过程描述如下：

$$z_0=[f_{E_1},f_{E_2},\cdots ,f_{E_N}]$$

$$q_i=k_i=LN(z_{i-1})+E_t,v_i=LN(z_{i-1})$$

$$z_i^{{}^{\prime }}=MSA(q_i,k_i,v_i)+z_{i-1}$$

$$q_i^{{}^{\prime }}=LN(z_i^{{}^{\prime }})+E_t,k_i^{{}^{\prime }}=v_i^{{}^{\prime }}=LN(z_0)$$

$$z_i^{{}^{\prime \prime }}=MSA(q_i^{{}^{\prime }},k_i^{{}^{\prime }},v_i^{{}^{\prime }})+z_i^{{}^{\prime }}$$

$$z_i=FFN(LNR(z_i^{{}^{\prime \prime }}))+z_i^{{}^{\prime \prime }},i=1,\cdots ,l$$

$$[f_{D_1},f_{D_2},\cdots ,f_{D_N}]=z_l$$

其中$f_{D_i}\in R^{P^2\times C}$表示decoder的输出。decoder输出的N个尺寸为$P^2\times C$的块特征将组成特征$f_D\in R^{C\times H\times W}$。

Tails 这里的Tails属性与Head相同，作者同样采用多尾以适配不同的人物，其计算过程可以描述如下：
f T = T i ( f D ) , i = { 1 , ⋯   , N t } f_T = T^i(f_{D}) , i=\{1, \cdots, N_t\} fT​=Ti(fD​),i={ 1,⋯,Nt​}
最终的输出$f_T$即为重建图像，其尺寸为$3\times H^{{}^{\prime }}\times W^{{}^{\prime }}$。输出图像的尺寸受任务决定，比如x2超分而言，$H^{{}^{\prime }}=2H,W^{{}^{\prime }}=2W$。

Pre-training on ImageNet

除了transformer的自身架构外，成功训练一个优化transformer模型的关键因素为：大数据集。而图像处理任务中常用数据集均比较小，比如图像超分常用数据DIV2K仅仅有800张。针对该问题，作者提出对知名的ImageNet进行退化处理并用于训练所提IPT模型。

这里的退化数据制作采用了与图像处理任务中相同的方案，比如超分任务中的bicubic下采样，降噪任务中的高斯噪声。图像的退化过程可以描述如下：

$$I_{corrupted}=f(I_{clean})$$

其中f表示退化变换函数，它与任务相关。对于超分任务而言，$f_{sr}$表示bicubic下采样；对于降噪任务而言，$f_{noise}(I)=I+\eta$。IPT训练过程中的监督损失采用了常规的$L_1$损失，描述如下：
$${\mathcal{L}}_{supervised}=\sum _{i=1}^{N_t}{L}_1(IPT(I_{corrupted}^i),I_{clean})$$

上式同样表明：所提方案IPT同时对多个图像处理任务进行训练。也就说，对于每个batch，随机从多个任务中选择一个进行训练，每个特定任务对应特定的head和tail。在完成IPT预训练后，我们就可以将其用于特定任务的微调，此时可以移除掉任务无关的head和tail以节省计算量和参数量。

除了上述监督学习方式外，作者还引入了对比学习以学习更通用特征以使预训练IPT可以应用到未知任务。对于给定输入$x_j$(随机从每个batch中挑选)，其decoder输出块特征描述为 f D i j ∈ R P 2 × C , i = { 1 , ⋯   , N } f_{D_i}^j \in R^{P^2 \times C, i=\{1, \cdots, N\}} fDi​j​∈RP2×C,i={ 1,⋯,N}。作者期望通过对比学习最小化同一图像内的块特征距离，最大化不同图像的块特征距离，这里采用的对比学习损失函数定义如下：

$$l(f_{D_{i_1}}^j,f_{D_{i_2}}^j)=-log\frac{exp(d(f_{D_{i_1}}^j,f_{D_{i_2}}^j))}{{\sum }_{k=1}^B{\mathbb{I}}_{k\ne j}exp(d(f_{D_{i_1}}^j,f_{D_{i_2}}^j))}$$

$${\mathcal{L}}_{constrastive}=\frac{1}{B{N}^2}\sum _{i_1=1}^N\sum _{i_2=1}^N\sum _{j=1}^{B}l(f_{D_{i_1}}^j,f_{D_{i_2}}^j)$$

其中$d(a,b)=\frac{a^{T}b}{\Vert a\Vert \Vert b\Vert }$表示cosine相似性。为更充分的利用监督与自监督信息，作者定义了如下整体损失：
$${\mathcal{L}}_{IPT}=\lambda \cdot {\mathcal{L}}_{constrastive}+{\mathcal{L}}_{supervised}$$

Experiments

Datasets

作者采用ImageNet数据制作训练数据，输入图像块大小为$48\times 48$，大约得到了10M图像数据。采用了6中退化类型：x2、x3、x4、noise-30、noise-50以及去雨。

Training&Fine-tuning

作者采用32个NVIDIA Tesla V100显卡进行IPT训练，优化器为Adam，训练了300epoch，初始学习率为$5e^{-5}$，经200epoch后衰减为$2e^{-5}$，batch=256。在完成IPT预训练后，对特定任务上再进行30epoch微调，此时学习率为$2e^{-5}$。

Super-resolution

下表&下图给出了超分方案在图像超分任务上的性能与视觉效果对比。可以看到：

• IPT取得了优于其他SOTA超分方案的效果，甚至在Urban100数据集上以0.4dB优于其他超分方案；
• IPT可以更好重建图像的纹理和结构信息，而其他方法则会导致模糊现象。

Denoising

下表&下图给出了所提方法在降噪任务上的性能与视觉效果对比，可以看到：

• 在不同的噪声水平下，IPT均取得了最佳的降噪指标，甚至在Urban100数据上提升高达2dB。
• IPT可以很好的重建图像的纹理&结构信息，而其他降噪方法则难以重建细节信息。

Deraining

下表&下图给出了所提方法在图像去雨任务上的性能与视觉效果对比。可以看到：

• 所提方法取得了最好的指标，甚至取得了1.62dB的性能提升；
• IPT生成的图像具有与GT最详尽，且具有更好的视觉效果。

Generalization Ability

为说明所提方法的泛化性能，作者采用了未经训练的噪声水平进行验证，结果见下表。可以看到：尽管未在该其噪声水平数据上进行训练，所提IPT仍取得了最佳的指标。

Ablation Study

下图对比了IPT与EDSR在不同数量训练集上的性能对比，可以看到：当训练集数量较少时，EDSR具有更好的指标；而当数据集持续增大后，EDSR很快达到饱和，而IPT仍可持续提升并大幅超过了EDSR。

下表给出了对比损失对于模型性能影响性分析(x2超分任务)。当仅仅采用监督方式进行训练时，IPT的指标为38.27；而当引入对比学习机制后，其性能可以进一步提升0.1dB。这侧面印证了对比学习对于IPT预训练的有效性。

全文到此结束，对比感兴趣的同学建议查看原文。

作者介绍：Happy，一个爱“胡思乱想”的AI行者。欢迎大家联系极市小编（微信ID:fengcall19）加入极市原创作者行列