超分算法ESPCN：《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel》

1. ESPCN概述

《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel》 提出了一种新的上采样方式，对于SR(super-resolution) 任务的计算速度和重建效果都有不错的提升。

文章推出了一种在以往算法(SRCNN、Bicubic)上对于重建表现力以及计算效率(重建速度、计算资源损耗)都有一定提升的SR算法——ESPCN。
SRCNN先对输入图像做Bicubic插值，然后进行特征提取，这种方式相当于直接在HR层面做超分，作者证明这种方式是一种次优策略且会带来计算复杂度的提升。

针对这种问题，作者提出了ESPCN结构：

1. 这是一种直接对输入LR图像做特征提取。
2. 在网络中引入了一种亚像素卷积层，该层通常为网络的最后一层，它以之前特征提取后的feature map为输入，通过学习一个上采样滤波器来做到LR→SR的重建。
3. 直接对LR图像做卷积取代了SRCNN中的bicubic预处理部分，这直接带了计算复杂度的降低以及执行速度的提升，作者实现了在1080P视频中的超分效果，做到了标题中的”Real-Time“。
4. ESPCN在图像和视频上都做了相关的实验，分别提升了0.15dB以及0.39dB；此外ESPCN的执行速度也超越了之前的CNN-based系列SR算法。

2. 论文详解

2.1 Introduction

ESPCN主要2个点很重要：①是直接对L R LR层级图像进行特征提取，②就是一个亚像素卷积层，下面展开来说下：

1. ESPCN直接对LR层级的图像进行卷积提取特征，因此我们可以采用一个较小的滤波器去整合不同level的特征信息，相比于SRCNN，这种做法不仅减小了训练参数，同时也降低了计算的复杂度，减少了训练时间。
   此外，正如DCSCN这篇论文中所说的，在r ≥ 3的时候，直接对输入图像提取的特征和先用bicubic插值放大之后提取到的特征其实并无差异，因此插值就会显得多余，且浪费计算成本。
2. SRCNN中上采样的方式就是一个简单的处理过程：将输入LR图像做插值，只需要一个滤波器即可。而在ESPCN中，假设整个网络有L层，那么第L−1层产生的$n_{L-1}$张feature map，那么在第L层，我们就可以学习一种更复杂的方式，训练$n_{L-1}$个卷积核而不是简单的一个。
   更重要的是，最后这层可以隐式地去学习这个通道数$n_{L-1}$地滤波器，它本质上就是一个shuffle地过程，将$r^2$张feature map进行整合，这就是亚像素卷积层。

2.2 Method

上图就是ESPCN网络结构，接下来对其中几点进行说明：

1. 输入图像是LR图像，通道数为C，比如RGB格式图像中，C = 3，我们的目标就是从$C\times H\times W$的图像变成$C\times rH\times rW$的图像。
2. 整个网络分为2部分：特征提取部分，由连续的CNN网络组成；上采样部分，由一个亚像素卷积层构成。
3. 设整个网络一共有L层，前L − 1 层通过卷积、非线性激活组成，具体表达式为：
   $$\begin{array}{rl}{f}^1\left({\mathbf{I}}^{LR};W_1,b_1\right)& =\varphi \left(W_1\ast {\mathbf{I}}^{LR}+b_1\right),\\ f^l\left({\mathbf{I}}^{LR};W_{1:l},b_{1:l}\right)& =\varphi \left(W_l\ast f^{l-1}\left({\mathbf{I}}^{LR}\right)+b_l\right),\end{array}$$
   其中$W_l,b_l,l\in (1,L-1)$分别是可学习的网络权值和偏差。$W_l$为大小为$n_{l-1}\times n_l\times k_l\times k_l$的二维卷积张量，其中$n_l$为$l$ 层特征的个数，$n_0=C$, $k_l$为$l$ 层滤波器的大小。偏差$b_l$为长度为$n_l$的向量。非线性函数(或激活函数)$\varphi$ 按element-wise应用，且是固定的。
4. 特征提取层保持图像的大小不变。

2.2.1 Deconvolution layer

增加deconvolution layer是从最大池化和其他图像下采样层恢复分辨率的常用方法。这种方法已经成功地用于visualizing layer activations[49]和 generating semantic segmentations using high level features from the network[24]。

可以看出，SRCNN中使用的双三次插值(bicubic interpolation)是反卷积层的一个特殊情况，如[24,7]所述。[50]中提出的deconvolution layer可以看作是每个input pixel 与一个步幅$r$的滤波器元素的element-wise 成绩，以及对结果输出窗口的和，也称为backwards convolution[24]。

2.2.2 Efficient sub-pixel convolution layer

---

提出背景：
另一种upscale LR图像的方法是在LR空间中进行步幅为$\frac{1}{r}$的卷积，如[24]所述，这可以简单地通过interpolation、perforate[27]或从LR空间un-pooling到HR空间[49]，然后在HR空间中又进行步幅为1的卷积来提升性能。这些实现增加了$r^2$的计算成本，因为卷积发生在HR空间中。
因此作者提出了一种同样以$\frac{1}{r}$ 为步长，但不需要额外计算量的隐式卷积层——亚像素卷积层(sub-pixel convolution layer)。

---

亚像素卷积的核心思想：一张图像放大r倍，就相当于每个像素都放大r倍。

在网络倒数第二层卷积过程输出通道数为r^2与原图同样大小的特征图像
然后经过亚像素卷积层周期性排列，得到大小为(w × r , h × r) 的重建图像。

如上图中倒数第二层红圈框住的9个特征，排列后组成箭头所指的最后一层小方框，这就是原图中框住的像素经过网络构成的重建块。这九个像素刚好使原像素的长宽各放大了三倍。
亚像素卷积（Sub-pixel Convolution）其实并没有卷积运算，只是抽取特征然后进行简单排列。

---

亚像素卷积的原理

1. 为什么叫亚像素卷积？

可以将亚像素卷积层看成是一个隐式卷积的过程：隐式卷积的意思就是还是会用一个滤波器去抽取信息，但是和传统的卷积运算不同，这里并没有涉及可学习的滤波器参数以及任何乘加运算。
亚像素卷积过程中从左到右的过程就好像以一个$stride=\frac{1}{r}$对LR图像做卷积，从而在直观上好像卷积生成出了一些小小的像素点，又因为$\frac{1}{r}\le 1$ ,意味着它做的是整像素内部的运算，我们称之为亚像素，比如视频处理中常见的 $\frac{1}{2}$、$\frac{1}{4}$像素都是亚像素。

2. 亚像素卷积是如何工作的？

在LR空间中，一个步幅为$\frac{1}{r}$的卷积与一个大小为$k_s$且weight spacing为$\frac{1}{r}$的滤波器$W_s$将激活卷积中$W_S$的不同部分。落在像素之间的权重不被激活，不需要计算。激活模式的数量正好是$r^2$。每个激活模式，根据其位置，最多激活${\lceil \frac{k_s}{r}\rceil }^2$个权重。根据不同的sub-pixel 的位置:$mod(x,r)$， $mod(y,r)$，其中$x,y$是HR空间中的输出像素坐标。在本文中，我们提出了在$mod(k_s,r)=0$时实现上述操作的一种有效方法 :

$${\mathbf{I}}^{SR}=f^L\left({\mathbf{I}}^{LR}\right)=\mathcal{P}\mathcal{S}\left(W_L\ast f^{L-1}\left({\mathbf{I}}^{LR}\right)+b_L\right)$$

其中$PS$是一个周期变换算子，它将$H\times W\times C\cdot r^2$ 张量的元素重新排列为$rH\times rW\times c$形张量。该操作的效果如图1所示。数学上，这个操作可以用下面的方式描述 :

$$\mathcal{P}\mathcal{S}(T{)}_{x,y,c}=T_{\lfloor x/r\rfloor ,\lfloor y/r\rfloor ,C\cdot r\cdot \mathrm{mod}(y,r)+C\cdot \mathrm{mod}(x,r)+c}$$

卷积操作$W_L$ 的形状是$n_{L-1}\times r^{2}C\times k_L\times k_L$。请注意，我们没有将非线性应用到最后一层卷积的输出。很容易看出，当$K_L=\frac{k_s}{r}$, 而$mod(k_s,r)=0$ 则相当于在LR空间与滤波器$W_s$进行sub-pixel convolution。
我们将我们的新层称为sub-pixel convolution layer，我们的网络称为efficient sub-pixel convolutional neural network(ESPCN)。最后一层从LR特征映射直接生成一个HR图像，每个特征映射都有一个upscaling 滤波器，如图4所示。

---

训练方式
给出了一个包含HR Image 示例的训练集 $I_n^{HR},n=\mathrm{1...}N$，我们生成相应的LR图像$I_n^{LR},n=1,..,N$，然后计算 pixel-wise mean squared error (MSE) 作为目标函数来训练我们的网络。

$$\ell \left(W_{1:L},b_{1:L}\right)=\frac{1}{r^{2}HW}\sum _{x=1}^{rH}\sum _{x=1}^{rW}{\left({\mathbf{I}}_{x,y}^{HR}-f_{x,y}^L\left({\mathbf{I}}^{LR}\right)\right)}^2$$

3. pytorch中的相关实现

关于亚像素卷积层，pytorch 中也提供了对应的实现torch.nn.PixelShuffle() 和 torch.nn.PixelUnshuffle()
用法详见【torch.nn.PixelShuffle】和 【torch.nn.UnpixelShuffle】

4. 参考

https://blog.csdn.net/MR_kdcon/article/details/123837994