圖像修復面臨兩個關(guān)鍵問題

來自羅徹斯特大學和 Adobe Research 的研究者提出了一種新的生成網(wǎng)絡 CM-GAN，很好地合成了整體結(jié)構(gòu)和局部細節(jié)，在定量和定性評估方面都顯著優(yōu)于現(xiàn)有 SOTA 方法，如 CoModGAN 和 LaMa。

圖像修復是指對圖像缺失區(qū)域進行補全，是計算機視覺的基本任務之一。該方向有許多實際應用，例如物體移除、圖像重定向、圖像合成等。

早期的修復方法基于圖像塊合成或顏色擴散來填充圖像缺失部分。為了完成更復雜的圖像結(jié)構(gòu)，研究人員開始轉(zhuǎn)向數(shù)據(jù)驅(qū)動的方案，他們利用深度生成網(wǎng)絡來預測視覺內(nèi)容和外觀。通過在大量圖像上進行訓練，并借助重建和對抗損失，生成式修復模型已被證明可以在包括自然圖像和人臉在內(nèi)的各種類型輸入數(shù)據(jù)上產(chǎn)生更具視覺吸引力的結(jié)果。

然而，現(xiàn)有工作只能在完成簡單的圖像結(jié)構(gòu)方面顯示出良好的結(jié)果，生成整體結(jié)構(gòu)復雜和細節(jié)高保真的圖像內(nèi)容仍然是一個巨大的挑戰(zhàn)，特別是當圖像空洞（hole）很大的時候。

從本質(zhì)上講，圖像修復面臨兩個關(guān)鍵問題：一個是如何將全局上下文準確地傳播到不完整區(qū)域，另一個是合成與全局線索一致的真實局部細節(jié)。為了解決全局上下文傳播問題，現(xiàn)有網(wǎng)絡利用編碼器 - 解碼器結(jié)構(gòu)、空洞卷積、上下文注意力或傅里葉卷積來整合長程特征依賴，擴大有效感受野。此外，兩階段方法和迭代空洞填充依靠預測粗略結(jié)果來增強全局結(jié)構(gòu)。然而，這些模型缺乏一種機制來捕獲未掩碼區(qū)域的高級語義，并有效地將它們傳播到空洞中以合成一個整體的全局結(jié)構(gòu)。

基于此，來自羅徹斯特大學和 Adobe Research 的研究者提出了一種新的生成網(wǎng)絡：CM-GAN（cascaded modulation GAN），該網(wǎng)絡可以更好地合成整體結(jié)構(gòu)和局部細節(jié)。CM-GAN 中包括一個帶有傅里葉卷積塊的編碼器，用于從帶有空洞的輸入圖像中提取多尺度特征表征。CM-GAN 中還有一個雙流解碼器，該解碼器在每個尺度層都設(shè)置一個新型級聯(lián)的全局空間調(diào)制塊。

在每個解碼器塊中，研究者首先應用全局調(diào)制來執(zhí)行粗略和語義感知的結(jié)構(gòu)合成，然后進行空間調(diào)制來進一步以空間自適應方式調(diào)整特征圖。此外，該研究設(shè)計了一種物體感知訓練方案，以防止空洞內(nèi)產(chǎn)生偽影，從而滿足現(xiàn)實場景中物體移除任務的需求。該研究進行了廣泛的實驗表明，CM-GAN 在定量和定性評估方面都顯著優(yōu)于現(xiàn)有方法。

我們先來看下圖像修復效果，與其他方法相比，CM-GAN 可以重建更好的紋理：

CM-GAN 可以合成更好的全局結(jié)構(gòu)：

CM-GAN 具有更好的物體邊界：

下面我們來看下該研究的方法和實驗結(jié)果。

方法

級聯(lián)調(diào)制 GAN

為了更好地建模圖像補全的全局上下文，該研究提出一種將全局碼調(diào)制與空間碼調(diào)制級聯(lián)的新機制。該機制有助于處理部分無效的特征，同時更好地將全局上下文注入空間域內(nèi)。新架構(gòu) CM-GAN 可以很好地綜合整體結(jié)構(gòu)和局部細節(jié)，如下圖 1 所示。

如下圖 2（左） 所示，CM-GAN 基于一個編碼器分支和兩個并行級聯(lián)解碼器分支來生成視覺輸出。編碼器以部分圖像和掩碼為輸入，生成多尺度特征圖。

與大多數(shù)編碼器 - 解碼器方法不同，為了完成整體結(jié)構(gòu)，該研究從全連接層的最高級別特征中提取全局樣式代碼 s，然后進行歸一化。此外，基于 MLP 的映射網(wǎng)絡從噪聲中生成樣式代碼 w，以模擬圖像生成的隨機性。代碼 w 與 s 結(jié)合產(chǎn)生一個全局代碼 g = ［s; w］，用于之后的解碼步驟。

全局空間級聯(lián)調(diào)制。為了在解碼階段更好地連接全局上下文，該研究提出了全局空間級聯(lián)調(diào)制 （CM，cascaded modulation）。如圖 2（右）所示，解碼階段基于全局調(diào)制塊（GB）和空間調(diào)制塊（SB）兩個分支，并行上采樣全局特征 F_g 和局部特征 F_s。

與現(xiàn)有方法不同，CM-GAN 引入了一種將全局上下文注入空洞區(qū)域的新方法。在概念層面上，它由每個尺度的特征之間的級聯(lián)全局和空間調(diào)制組成，并且自然地集成了全局上下文建模的三種補償機制：1）特征上采樣；2） 全局調(diào)制；3）空間調(diào)制。

物體感知訓練

為訓練生成掩碼的算法至關(guān)重要。本質(zhì)上，采樣的掩碼應該類似于在實際用例中繪制的掩碼，并且掩碼應避免覆蓋整個物體或任何新物體的大部分。過度簡化的掩碼方案可能會導致偽影。

為了更好地支持真實的物體移除用例，同時防止模型在空洞內(nèi)合成新物體，該研究提出了一種物體感知訓練方案，在訓練期間生成了更真實的掩碼，如下圖 4 所示。

具體來說，該研究首先將訓練圖像傳遞給 全景分割網(wǎng)絡 PanopticFCN 以生成高度準確的實例級分割注釋，然后對自由空洞和物體空洞的混合進行采樣作為初始掩碼，最后計算空洞和圖像中每個實例之間的重疊率。如果重疊率大于閾值，該方法將前景實例從空洞中排除；否則，空洞不變并模擬物體完成，其中閾值設(shè)為 0.5。該研究隨機擴展和平移物體掩碼以避免過度擬合。此外，該研究還擴大了實例分割邊界上的空洞，以避免將空洞附近的背景像素泄漏到修復區(qū)域中。

訓練目標與 Masked-R_1 正則化

該模型結(jié)合對抗性損失和基于分割的感知損失進行訓練。實驗表明，該方法在純粹使用對抗性損失時也能取得很好的效果，但加入感知損失可以進一步提高性能。

此外，該研究還提出了一種專門用于穩(wěn)定修復任務的對抗性訓練的 masked-R_1 正則化，其中利用掩碼 m 來避免計算掩碼外的梯度懲罰。

實驗

該研究在 Places2 數(shù)據(jù)集上以 512 × 512 分辨率進行了圖像修復實驗，并給出了模型的定量和定性評估結(jié)果。

定量評估：下表 1 為 CM-GAN 與其他掩碼方法的比較。結(jié)果表明，CM-GAN 在 FID、LPIPS、U-IDS 和 P-IDS 方面明顯優(yōu)于其他方法。在感知損失的幫助下，LaMa、CM-GAN 比 CoModGAN 和其他方法獲得了明顯更好的 LPIPS 分數(shù)，這歸功于預訓練感知模型提供的額外語義指導。與 LaMa/CoModGAN 相比，CM-GAN 將 FID 從 3.864/3.724 降低到 1.628。

如下表 3 所示，在有無微調(diào)的情況下，CM-GAN 在 LaMa 和 CoModGAN 掩碼上都取得了明顯優(yōu)于 LaMa 和 CoModGAN 的性能增益，表明該模型具有泛化能力。值得注意的是，在 CoModGAN 掩碼，物體感知掩碼上訓練的 CM-GAN 性能依然優(yōu)于 CoModGAN 掩碼，證實了 CM-GAN 具有更好的生成能力。

定性評估：圖 5、圖 6、圖 8 展示了 CM-GAN 與 SOTA 方法在合成掩碼方面的可視化比較結(jié)果。ProFill 能夠生成不連貫的全局結(jié)構(gòu)，CoModGAN 產(chǎn)生結(jié)構(gòu)偽影和顏色斑點，LaMa 在自然場景上容易產(chǎn)生較大的圖像模糊。相比之下，CM-GAN 方法產(chǎn)生了更連貫的語義結(jié)構(gòu)、紋理更清晰，可適用于不同場景。

為了驗證模型中每個組件的重要性，該研究進行了一組消融實驗，所有模型都在 Places2 數(shù)據(jù)集上進行訓練和評估。消融實驗結(jié)果如下表 2 和圖 7 所示。

該研究還進行了用戶研究，以更好地評估 CM-GAN 方法的視覺生成質(zhì)量，結(jié)果如下表 5 所示。此外，附錄提供了更多的視覺比較和實驗分析以供讀者參閱。