NTIRE2021 图像去模糊竞赛各大方案简介

AI算法与图像处理

共 3172字,需浏览 7分钟

 ·

2021-05-20 20:31


NTIRE的各大竞赛已经落下帷幕,冠亚军排名也相继确定,近期会逐步将相关领域的竞赛结果进行一下简单总结,同时也将对这其中的冠军军及优秀方案进行一番解读,感兴趣的朋友可以关注一波...

今天要介绍的NTIRE2021的图像去模糊竞赛。

Datasets

模糊是一种常见的图像退化类型,比如拍摄过程中的抖动问题、虚焦问题等等。但是,实际场景中,模糊往往与低分辨率、压缩伪影、噪声等共存。因此,该竞赛在附加额外退化(比如压缩伪影、低分辨率)下的条件下进行图像去模糊,也就是:

  • Track1:该赛道旨在开发一种可以同时进行超分与去模糊的方案;
  • Track2:该赛道旨在开发一种可以同时进行去压缩伪影与去模糊的方案。

延续NTIRE2019与NTIRE2020竞赛,我们采用REDS数据度量不同方案的性能。在度量指标方面,主要评价指标为PSNR;此外,我们还提供了SSIM与LPIPS指标。

Challenge Results

该竞赛每个赛道分别由338和238注册队伍,但只有18和17个队伍完成最终的测试提交。下表给出了该竞赛两个赛道各个队伍的成绩与排名,注:推理速度是由组织者在统一平台(Intel Xeon Gold 6248 CPU, NVIDIA Quadro RTX 8000 GPU, Samsung 860 EVO 4TB SSD)测试所得。

Architectures and Main Ideas

在这些方案中有一些新颖的思路,也有一些共性的策略。

  • 受启发于EDVR,VIDAR与Imagination团队采用金字塔形变卷积对单图像的多特征进行对齐;
  • netai与Noah_CVlab团队采用了多任务学习方法进行优化;
  • Noah_CVlab与ZOCS团队采用了Transformer架构;
  • The Fat, The Thin and The Strong team提出了half-instance 规范化技术;
  • Yonsei-MCML与Blur Attachk团队使用了目标边缘信息;
  • CAPP_OB团队使用了自编码损失;
  • 很多方案均采用扩张卷积增大感受野,注意力机制也被广泛采用。

Challenge Winners

竞赛冠军由PSNR得分决定,两个赛道的冠军方案分别如下:

  • Track1:VIDAR团队凭借EDPN获得了三项指标第一,同时也获得了Track2的SSIM与LPIPS指标第一;
  • Track2:The Fat, The Thin and The Strong团队凭借新提出的HIN(Half Instance Normalization)模块构建的HINet获得该赛道的PSNR指标第一。

下面两图提供了不同赛道牌面靠前方案的效果对比。

Challenge Methods and Teams

VIDAR

该团队在EDVR的基础上引入了两个模块:

  • PPT:Pyramid Progressive Transfer,它在EDVR中的PCD基础上改进得到,用于探索自相似性与跨尺度相似性;
  • PSA:Pyramid Self-Attention,它在EDVR的TSA基础上进行改进得到,用于探索子注意力与空域机制。

目前该文已经上传arxiv,code已经上传github,但并未上传预训练模型。更详细信息可查看笔者的解读。

NTIRE2021图像去模糊竞赛冠军方案: EDPN

netai

该团队提出了PDAN用于联合去模糊与超分,其结构与ED-DSRN类似。受启发于RCAN,它采用RSCA(Residual Spatial Channel Attention)进行特征提取;去模糊模块采用残差编解码结构以扩大感受野。受启发与困难样例挖掘策略提出了HPEM损失,此外还采用了L1损失。

NJUST_IMAG

该团队提出了一个级联去模糊和超分模块的方案,在超分模块采用了非局部残差网络以获得更好的重建图像。该方案采用两阶段方式进行训练,先训练去模糊模块,然后整体训练,损失函数为L1损失和梯度损失。

SRC-B

该团队提出了MRNet(Multi-Refinement Network)用于图像去模糊,它包含四个模块:

  • 特征提取:它从单帧图像计算了Siamese特征;
  • 融合、采用卷积进行融合;
  • 重建:采用了MMDM中的RBM模块的多尺度版以及全局跳过连接;
  • 上采样。

Noah_CVlab

华为诺亚团队提出了IPT,它首次将Transformer用于low-level问题,在多个任务上达到了SOTA性能。关于IPT更详细的介绍可参考笔者之前的解读:

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

Mier

该团队在MWCNN与RCAN的基础上提出了Big UNet架构,它采用RCAN中的残差组替换MWCNN中的卷积层。为进一步提升感受野,还添加了源自DAVANet中的MDB。

DMLAB

该团队提出了MS-HDRN(Multi-scale Hierarchical Dense Residual Network),它采用了多级稠密连接与多级残差连接。为实现多级稠密连接,采用卷积进行降维。此外,还引入了拉普拉斯注意力机制与MDCB模块。

The Fat, The Thin and The Strong

该团队提出一种两阶段特征合成网络,每个阶段均采用了类UNet架构以尽可能提升感受野。此外,该团队还提出一种Half-Instance Normalization技术用于利用规范化与未规范化特征。对该文感兴趣的朋友可以查看笔者解读:

HINet | 性能炸裂,旷视科技提出适用于low-level问题的Half Instance Normalization

GiantPandaCV

GiantPandaCV采用了编解码架构,区别于UNet,采用了扩张卷积扩大感受野。采用了SSIM损失与Charbonnier损失进行模型训练。

其他

  • Baidu团队采用类似RRDBNet的结构,损失采用L1、FFT以及MS-SSIM;
  • MMM团队采用了类似MPRNet的结构;
  • Imagination团队在EDVR基础上进行了进行了改进,提出了金字塔形变卷积;
  • TeamInception团队采用了MPRNet的结构;
  • ZOCS_Team团队采用RDN与Transformer的组合方案;
  • INFINITY团队采用EDSR进行图像去模糊;
  • RTQSA-Lab提出了增强注意网络,包含全局与局部注意力;
  • Expasoft团队采用ESRGAN与UNet的组合方案;
  • DuLang团队基于AFN与MIRNet提出了MSFN,采用L1与拉普拉斯损失;
  • SYJ提出Multi-level Wavelet-ResNet;
  • Dseny组合SRN与DMPHN构建了其模型
  • ........

个人微信(如果没有备注不拉群!
请注明:地区+学校/企业+研究方向+昵称



下载1:何恺明顶会分享


AI算法与图像处理」公众号后台回复:何恺明,即可下载。总共有6份PDF,涉及 ResNet、Mask RCNN等经典工作的总结分析


下载2:终身受益的编程指南:Google编程风格指南


AI算法与图像处理」公众号后台回复:c++,即可下载。历经十年考验,最权威的编程规范!



下载3 CVPR2021

AI算法与图像处公众号后台回复:CVPR即可下载1467篇CVPR 2020论文 和 CVPR 2021 最新论文

点亮 ,告诉大家你也在看



浏览 62
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报