浙大携手微软联合提出实时视频增强|RT-VENet-电子发烧友网

首发：AIWalker

标题&作者团队

该文是浙江大学&微软提出的一种实时视频增强方案(ACM Multimedia 2020)，它不仅可以达到SOTA的视频增强效果，同时对于1080P的视频可以达到惊人的77fps@Tesla P40GPU或者45fps@CPU端。

Abstract

实时视频增强具有巨大的潜在应用场景，但是现有的方案远远不足以满足视频增强的实时性与稳定性需求。

该文提出一种新颖的AI视频增强方法，它能够单CPU以45fps处理1080P视频，极具产品化应用价值。所提方法基于轻量型MobileNetV2设计，并在此基础上引入了时序特征集(Temporal Feature Aggregation, TFA)成模块以确保视频的时序一致性。不同于已有多数图像增强方法采用encoder-decoder架构生成通分辨率的输出，该文所提方法消除了decoder模块，而仅仅采用了encoder部分与一个小的head模块。所提方法直接预测颜色映射函数，而非像素值，这就使得所提方法可以更好的处理任意分辨率的视频。除此之外，该文还引入了TFA以确保生成视频的时序一致性。

最后，作者通过实验证实：所提方法可以适用于不同类型的增强任务，比如relighting, retouching 以及dehazing等。相比已有方法(比如HDRNet、UPE)，所提方法不仅可以取得SOTA性能，同时处理速度快10倍(HD视频哦)。

image-20201121193610283

该文的主要贡献包含以下三点：

提出一种新颖的实时图像/视频增强方法，所提方法比现有实时方法(HDRNet,UPE)快10倍(处理的对象是1080P视频哦)；
提出一种广义的图像增强表达方式，它可以有效的集成全局上下文信息与局部信息进行像素映射。实验证实：所提方法可以处理欠曝光、过曝光、retouching、dehazing等场景图像；
提出一种TFA用于确保视频的时序一致性，甚至可以进一步改善训练的稳定性。

Method

该文提出了一种end-to-end轻量CNN用于实时视频增强，接下来，我们将从问题定义、视频增强网络、损失函数三个方面展开本文所提方法的介绍。

Problem Formulation

现有稠密像素预测任务大多采用encoder-decoder方案，而decoder部分的高计算量问题是难以忽视的。估计颜色映射函数是一种极具吸引力的方向，然而它有这样两个挑战：(1) 单一映射函数难以反映复杂的局部图像处理计算问题；(2) 现有的颜色映射函数往往基于用户评价或参考图像，而无参考自动校正则会“模棱两可”。

受启发于“Bilateral Guided Upsampling”与“Fast Guided Filter”(两种非常经典的传统图像处理方法)，该文构建了一种网格状态的映射函数，它不仅可以获得局部区域的更细粒度的细节，同时可以更好的切合encoder部分的CNN结构。输入图像I经过CNN处理后，可以得到一个大小为的特征。网格中每个特征点信息与网格中的映射函数参数相关，并用于预测映射函数，并反过来作用于局部区域。下图给出了该过程的示意图，也就是说图像将被进行分块处理，每个块采用不同的映射函数。

image-20201121195843151

映射函数在这里定义为分片线性函数，定义如下：

其中，L表示映射函数的分片数量，表示每个线性函数的斜率。因此，网络的目标在于预测映射函数的系数。

看到这里，也许会有不少同学不知道这里的系数与映射函数该怎么去应用。其实这个地方没想象的那么复杂。先来个最简单的情形：，即恒等映射，也就是图像不做任何操作，此时有。如果我们希望调整图像的亮区呢，其实就需要将亮区对应的斜率调大，而其他区域对应的斜率调小；类似的，如果我们希望调整图像的暗区，就需要调整其对应的斜率。也就是说，通过每一段线性函数的斜率，它可以轻松的构建不同形状的映射函数，而这个映射函数则对应于传统图像处理中的累积直方图。

对此该兴趣的同学，非常建议去了解一下直方图均衡相关的一些基础知识，可以参考刚萨雷斯的《图像处理》第三章的直方图均衡。其实这个地方的映射函数理解还可以参考PhotoShop中的直方图类增强方案，通过调节直方图的形状达到不同的编辑目的，Photoshop中的直方图调整方法其实与这里的调整机制是相通的。

Video Enhancement Network

image-20201121195529411

上图给出了该文所提出的视频增强网络架构示意图，它包含一个轻量型基础网路与一个时序特征集成模块。

Baseline Image Network 上图的下半部分给出了基础网络部分，注：下角标t表示视频的时序标签。输入图像I首先下采样到低分辨率，然后送入到基础网络中回归映射系数集。这里的基础网络是在MobileNetV2的基础上改进而来，它用于将图像映射到高维空间并得到隐状态特征。在上述网络的后端接一个head，它包含三个卷积用于将隐状态特征变换为颜色映射系数。最终输出的形状为。最后，目标图像则是由输入图像经由映射函数变换得到。

Temporal feature aggregation 视频增强网络是在上述图像增强网络的基础上插入TFA得到，TFA用于促使时序一致性。为缓解闪烁伪影问题，作者认为：静态区域应当有相邻两帧赋予相似的注意力，运动区域则主要由当前帧决定，而区域的运动/静态特性则由相邻帧的相关性决定。基于该假设，作者设计了如下的特征集成方式：

其中，分别表示融合特征，前一帧的影响因子，以及像素级特征相似性。特征的相似性计算方式则是采用的cosine相似性（上图也给出了相邻帧的相似性图示），公式如下：

$$M/_g = cos/= //frac{f/_{t-1} //cdot f/_t}{//|f/_{t-1} //| //cdot //|f/_t //|} $$

Loss Function

给定预测的映射系数与高分辨率图像，我们可以通过相应的变换得到目标图像(假设表示GT)。为更好的训练上述模型，作者提出了一个同时考虑图像距离关系和映射函数约束的损失函数，定义如下：

损失函数的四部分分别对应重建损失(损失)、感知损失、平滑损失以及时序一致性损失。更具体的函数定义建议查看原文，这里不再赘述。

Experiments

在实现方面，输入图像首先被下采样到大小，映射函数的分片数，对应的输出通道数为48。正如前述，骨干网络包含5个阶段，前四个阶段与MobileNetV2相同，最后一个阶段包含三个卷积，其参数为：。head部分由三个卷积构成，其输出通道数分别为。最终的输出经tanh激活，其对应了映射系数的对数值。假设表示每个通道的输出，那么映射函数可以表示为其中用于控制映射函数的范围。基于上述表达，曲线的范围将被限制在.

在超参方面，。作者选用Adam+L2正则进行训练，batch=32，学习率为0.005,经40k迭代后衰减到0.001.

我们先来看一下所提方法在图像增强方面的效果，见下图&下表。从中可以看到：(1) 相比HDRNet，所提方法具有更快的推理速度，更高的PSNR、SSIM等指标；(2) 相比HDRNet、UPE等方法，所提方法生成结果具有更好的对比度和颜色分布。

接下来，我们再来看一下所提方法在视频增强方面的效果，见下图&下表。可以看到：所提方法具有更高的PSNR指标；更快的推理速度；更好的时序一致性。

image-20201122132832313

image-20201122132857742

最后，我们再来看一下所提方法在去雾任务上的表现，见下图。从中可以看到：所提方法在图像去雾任务上同样取得了SOTA指标与视觉效果。

image-20201122133254136

Conclusion

该文从AI+直方图的角度提出了一种实时图像/视频增强方法，它采用encoder网络预测映射函数系数，然后将得到的映射函数作用于输入图像得到期望的输出图像。这种处理方式将输入分辨率与方法进行了解耦，进而使得Image-to-Image类方法的的产品化应用提供了一个非常有参考价值的方向。尽管所提方法在图像/视频增强方面取得了非常好的效果和推理速度，但该方法对于低光/带噪图像的效果并不太好，甚至会进一步造成噪声放大，当然，这也是直方图增强类方案的缺陷所在。

image-20201122134143102