导读
本文提出一种同时利用图像空间和通道特征的 Transformer 模型，DAT（Dual Aggregation Transformer），用于图像超分辨（Super-Resolution，SR）任务。DAT 以块间和块内的双重方式，在空间和通道维度上实现特征聚合，从而具有强大的图像表示能力。具体来说，DAT 在连续的 Transformer 块中交替应用空间和通道自注意力，以实现块间聚合。同时，本文还提出自适应交互模块（Adaptive Interaction Module，AIM）和空间门前馈网络（Spatial-Gate Feed-forward Network，SGFN）来实现块内特征聚合。AIM 从空间与通道为徒改进现有注意力机制，SGFN 在前馈网络中引入了非线性空间信息。实验证明，DAT 实现目前最先进的图像超分辨率性能。
论文连接： https://arxiv.org/abs/2308.03364
代码连接： https://github.com/zhengchen1999/DAT
01. 研究问题
图像超分辨率（Image Super-Resolution，简称图像 SR）是一种图像处理技术，旨在通过增加图像的细节和清晰度，将低分辨率（LR）图像转换为高分辨率（HR）图像。简单来说，就是将一张小尺寸的模糊图像，变成大尺寸的清晰图像。图像超分辨率技术在实际应用中具有广泛的用途，包括高清电视、监控摄像头、医学影像、卫星图像等。现如今，随着人工智能、机器学习的发展，使用深度学习技术的图像超分辨率成为主流。
02. 方法动机
目前，Transformer 在 SR 任务中表现出色。其核心是自注意力（Self-Attention，SA）机制，能够建立全局依赖关系。而全局关系的建立，对于高分辨率图像的重建尤为重要。然而，全局SA的计算复杂度与图像大小成平方比，这极大的限制了其在高分辨率图像上的应用（这在图像 SR 中很常见）。考虑到这个原因，一些研究人员提出更加高效的 SA，以有效利用 Transformer。总的来说可以分为空间与通道两个方面：
- 空间方面，局部空间窗口被提出来限制全局 SA 的应用范围，从而提出局部窗口注意力（Spatial-Window Self-Attention，SW-SA）。如图（a），空间维度H×W 被划分为多个窗口，注意力在每个窗口中被执行。
- 通道方面，提出通道自注意力（Channel-Wise Self-Attention，CW-SA）。如图（b），注意力沿着通道维度 C 计算。也就是图中每一个独立的块都作为一个 token。
这些方法都在降低计算复杂度的同时，实现优异的性能。同时这两种方法对于图像特征（ H×W×C ）的建模，是针对不同（空间与通道）的维度的。那么，是否可以同时考虑两个维度，在现有方法的基础上，进一步提高Transformer的建模能力，实现更加出色的超分辨率性能呢？
受以上发现的启发，我们提出 DAT（Dual Aggregation Transformer），通过块间和块内双重方式，实现空间和通道特征有效融合。具体来说，我们在连续的 Transformer 块中交替应用 SW-SA 和 CW-SA 。通过这在交替的方式，DAT 能够同时捕获空间和通道信息，实现块间特征聚合。同时，为了实现块内特征聚合，我们还提出自适应交互模块（Adaptive Interaction Module，AIM）和空间门前馈网络（Spatial-Gate Feed-forward Network，SGFN）。AIM 对 SW-SA 和 CW-SA 建模单一维度进行改进，SGFN 则在前馈网络中引入非线性空间信息。
总体而言，我们的贡献可以总结为以下三点：
- 设计了一种新的图像超分辨率模型：DAT。该模型以块间和块内双重方式聚合空间和通道特征，增强 Transformer 的建模能力。
- 交替应用空间和通道自注意力，实现块间特征聚合。此外，还提出 AIM 和 SGFN 来实现块内特征聚合。
- 进行了大量实验，证明提出的 DAT 实现最先进的图像超分辨率性能，同时保持较低的复杂性和模型大小。
03. 方法介绍
在本节中，我们首先介绍 DAT 的架构。 随后，我们详细阐述自适应交互模块（AIM）和空间门前馈网络（SGFN）两个组件。
3.1 模型架构
正如前文提到，在 DAT 中，我们以交替的方式同时使用 SW-SA 和 CW-SA 两种注意力模块。这种组合，能够对两个维度的特征进行建模，并利用它们的优势互补：
- SW-SA 对空间上下文进行建模，增强每个特征图的空间表达。
- CW-SA 可以更好地构建通道之间的依赖关系，扩大感受野，从而帮助 SW-SA 捕获空间特征。
因此，空间和通道信息在连续的 Transformer 块之间流动，以此实现块间特征聚合。
3.2 自适应交互模块（AIM）
我们提出的 AIM 对 SW-SA 和 CW-SA 实现进一步改进。首先，考虑到自注意力主要是捕获全局特征，我们增加了与自注意力模块平行的卷积分支，依次引入局部性到 Transformer 中。接着，考虑到虽然交替执行 SW-SA 和 CW-SA 可以在块间实现空间与通道的特征聚合，但是对于每个自注意力（SA）而言，不同维度的信息仍然无法有效利用。因此，我们提出了AIM（灰色阴影区），作用于两个分支之间，并根据分支的类型，从空间或通道维度自适应地重新加权特征，从而在单个注意力模块中实现空间和通道信息的聚合。
综合上述改进，我们在 SW-SA 和 CW-SA 的基础上，提出改进版的自适应空间自注意力（Adaptive Spatial Self-Attention，AS-SA）和 自适应通道自注意力（Adaptive Channel Self-Attention，AC-SA）。
相比原始自注意力机制，我们的方法具有：
- 局部（卷积）和全局（注意力）更好的耦合：两个分支的输出可以自适应调整以相互适应、融合。
- 更强的建模能力：对于 SW-SA，互补通道信息提高了其通道建模能力；对于 AC-SA，通过空间交互，额外的空间知识同样增强特征表征能力。
3.3 空间门前馈网络（SGFN）
传统的前馈网络（Feed-Forward Network，FFN）有线性层和非线性激活组成。只能够对特征通道进行建模， 但忽略了建模空间信息。 此外，FFN会通过线性层在内部对特征通道进行放大，这导致通道之间存在冗余，从而阻碍了特征表达能力。
为了克服上述问题，我们提出了 SGFN：将空间门控（Spatial-Gate，SG）引入到 FFN 中。SG 是一个简单的门空机制，由深度卷积和逐元素乘法组成。同时，我们将特征图沿着通道维度，均匀的分为两个部分，分别送入卷积和乘法旁路中，以此来降低通道冗余性。并且该操作也能有效降低计算复杂度。
整体来看，AIM 和 SGFN 是 Transformer 块的两个主要组成。通过这个两个模块，我们实现块内的特征聚合：
- AIM 从通道维度增强 SW-SA，并从空间维度增强 CW-SA。
- SGFN 将非线性空间信息引入仅建模通道关系的 FFN 中。
04. 实验结果
消融实验：我们对提出方法的各个进行详尽的消融实验，证明了方法的有效性。
定量对比：我们提出了2个不同大小的模型变体（DAT-S、DAT），与目前最先进的图像超分辨率方法，在5个基准数据集上进行对比。如下表所示，我们的方法取得了最先进的结果。
视觉对比：我们在下图中展示了视觉效果的对比结果。可以发现，我们的方法在细节的重建上具有明显的优势。
模型大小：我们还提供了模型大小（Params）、复杂度（FLOPs）、性能上的综合对比。我们的方法在实现性能提升的同时，也保持了较低的复杂性和模型大小。
05. 结论
本文提出了 DAT（Dual Aggregation Transformer），是一种用于图像超分辨率 Transformer 模型。 DAT 以块间和块内双重方式，聚合空间和通道特征，实现强大的建模能力。 具体来说，连续的 Transformer 块交替应用空间窗口和通道自注意力，并实现了空间和通道维度在块间的特征聚合。 此外，本文还提出了自适应交互模块（Adaptive Interaction Module，AIM）和空间门前馈网络（Spatial-Gate Feed-forward Network，SGFN），以在两个维度上实现块内特征聚合，从而增强每个 Transformer 块。 AIM从两个维度增强自注意力机制的建模能力。 而 SGFN 用非线性空间信息补充前馈网络。 实验证明，DAT 实现目前最先进的图像超分辨率性能。
作者：陈铮
关于TechBeat人工智能社区
▼
TechBeat(www.techbeat.net)隶属于将门创投，是一个荟聚全球华人AI精英的成长社区。
我们希望为AI人才打造更专业的服务和体验，加速并陪伴其学习成长。
期待这里可以成为你学习AI前沿知识的高地，分享自己最新工作的沃土，在AI进阶之路上的升级打怪的根据地！
更多详细介绍>>TechBeat，一个荟聚全球华人AI精英的学习成长社区