More Related Content
More from Deep Learning JP (20)
【DL輪読会】Explorable Super Resolution
- 1. 1
DEEP LEARNING JP
[DL Papers]
http://deeplearning.jp/
Explorable Super-Resolution (CVPR2020)
Presenter: Kazutoshi Akita
(ToyotaTechnological Institute, IntelligentInformation Media Lab)
- 2. 論文情報
• 論文名: Explorable Super Resolution (CVPR2020)
• 著者: Yuval Bahat, Tomer Michaeli
(Technion - Israel Institute of Technology, Haifa, Israel)
• URL
論文:
https://openaccess.thecvf.com/content_CVPR_2020/html/Bahat_Explorable_Super_Resolution_CVPR_2020_paper.html?fbclid=IwAR0Jws65Y7JQY
4L_bs67glpZcF17jeOQNiYNvUEVRVOhgkFHW4CDpg63yx8
プロジェクトページ:
https://yuvalbahat.github.io/Explorable-Super-Resolution/codes/
2
- 7. 論文概要
• Explorable Super Resolution
– 様々なSR画像を生成するという新たなタスクを開拓した論文の一つ
• SRFlow (ECCV 2020),DeepSEE (ACCV 2020) なども同様
– SR画像としての「制約」を担保するConsistency Enforcing Module (CEM)を提案
– ユーザーが直感的にコントロールシグナル𝑧を探索可能なGUIを構築
7
- 10. 提案手法 (CEM)
• 入力LR画像𝑦は,次のように表される
𝑥: 低解像化により同じ𝑦になりうるすべてのHR画像群, ℎ: ブラーカーネル
∗: 畳み込み, ↓α: 単純な補間方法などによる辺々
1
α
のダウンサンプリング処理
• ①は以下のように書き換え可能
10
𝑦 = (ℎ ∗ 𝑥) ↓α ・・・ ①
𝑦 = 𝐻𝑥 ・・・ ②
- 11. 提案手法 (CEM)
• SRNetの出力群を𝑥𝑖𝑛𝑐とすると,以下の式を満たしたい
• 𝑥は,直交射影行列𝑃𝒩(𝐻)⊥, 𝑃𝒩(𝐻)を用いて,以下のように直交する2つのベクトルに分解可能
• ④を用いて③のminの中の式を変形すると,
11
min
𝑥
| 𝑥 − 𝑥𝑖𝑛𝑐 |2
𝐻𝑥 = 𝑦 ・・・ ③
s.t.
𝑃𝒩(𝐻)⊥ = 𝐻𝑇(𝐻𝐻𝑇)−1𝐻
𝑥 = 𝑃𝒩(𝐻)𝑥 + 𝑃𝒩(𝐻)⊥𝑥 ・・・ ④
𝑃𝒩 𝐻 = 𝐼 − 𝐻𝑇(𝐻𝐻𝑇)−1𝐻
||𝑃𝒩 𝐻 (𝑥 − 𝑥𝑖𝑛𝑐)||2 + ||𝑃𝒩(𝐻)⊥(𝑥 − 𝑥𝑖𝑛𝑐)||2 ・・・ ⑤
- 12. 提案手法 (CEM)
• ⑤の第1項を0とする
– 分離した成分のうち片方では,𝑥と𝑥𝑖𝑛𝑐は完全に一致させることができると考える
– 一致させることができない要因(不良設定)はもう片方の成分に集約される
12
||𝑃𝒩 𝐻 (𝑥 − 𝑥𝑖𝑛𝑐)||2
+ ||𝑃𝒩(𝐻)⊥(𝑥 − 𝑥𝑖𝑛𝑐)||2
・・・ ⑤
𝑃𝒩 𝐻 𝑥 = 𝑃𝒩 𝐻 𝑥𝑖𝑛𝑐 ・・・ ⑥
- 13. 提案手法 (CEM)
• これまでに得られた式を持って,𝑥を変形
13
𝑥 = 𝑃𝒩 𝐻 𝑥 + 𝑃𝒩(𝐻)⊥𝑥
= (𝐼 − 𝐻𝑇 𝐻𝐻𝑇 −1𝐻)𝑥 + 𝐻𝑇 𝐻𝐻𝑇 −1𝐻𝑥
= 𝐼 − 𝐻𝑇 𝐻𝐻𝑇 −1𝐻 𝑥 + 𝐻𝑇 𝐻𝐻𝑇 −1𝑦
= 𝑥𝑖𝑛𝑐 − ℎ ∗ 𝑘 ∗ ℎ ∗ 𝑥𝑖𝑛𝑐 ↓α ↑𝛼 +ℎ ∗ (𝑘 ∗ 𝑦) ↑𝛼
𝐻 = (ℎ ∗ ∙) ↓α
𝐻𝑇 = (ℎ ∗ ∙) ↑α
(𝐻𝐻𝑇
)−1
= 𝑘 ∗ ∙
- 16. 提案手法 (学習)
• ℒ𝑆𝑡𝑟𝑢𝑐𝑡
– 𝑧で指定した通りのエッジがSR画像に生成されるように学習するLoss
• 入力の𝑧をランダムな空間的に一様な値とする
• SR画像を2階微分し,出力されたエッジと入力𝑧が一致するように学習
16
SRNet CEM
𝑧
2階微分
ℒ𝑆𝑡𝑟𝑢𝑐𝑡
LR画像
SR画像
- 17. 提案手法 (学習)
• ℒ𝑀𝑎𝑝
– HR画像と一致する(=現実に観測される)SR画像を生成できるように学習するLoss
• 𝑧をランダムな空間的に一様な値で初期化し,SR画像とHR画像の差が最も小さい𝑧を探索
• ↑で見つけた𝑧におけるSR画像とHR画像の差をLossとする
17
SRNet CEM
𝑧
LR画像
SR画像
ℒ𝑀𝑎𝑝
HR画像
ℒ𝑀𝑎𝑝 = min
𝑧
| 𝜓 𝑦, 𝑧 − 𝑥|
𝜓(𝑦, 𝑧) 𝑥