那些网站做的非常好看,龙口网站建设公司哪家好,做关于车的网站好,中国建设银行企业网站清华ETH字节UTDhttps://github.com/Zj-BinXia/DiffIR
问题引入
IR任务和image synthesis任务不同点是IR任务本身有一个很强的低质量图片作为先验#xff0c;所以可以不完全遵循图片生成的范式#xff0c;本文主要在compact的IPR空间进行DM#xff1b;本文提…清华ETH字节UTDhttps://github.com/Zj-BinXia/DiffIR
问题引入
IR任务和image synthesis任务不同点是IR任务本身有一个很强的低质量图片作为先验所以可以不完全遵循图片生成的范式本文主要在compact的IPR空间进行DM本文提出的模型分为三个部分1)CPEN(compact IR prior extraction network)来得到IPR(IR prior representation)这个作为回归模型的指导信息2)DIRformer回归模型类比为decoder3)DM来通过LQ图片得到IPR训练分为两个stage首先第一个stage训练CPEN和DIRformer此时CPEN输入的是高质量图片第二个stage使用的IPR是DM得到的
methods stage1: 训练CPEN和DIRformer首先将gt和LQ concat到一起然后经过pixelunshuffle得到CPEN的输入输出IPR Z C P E N S 1 ( P i x e l U n s h u f f l e ( C o n c a t ( I G T , I L Q ) ) ) , Z ∈ R 4 C ′ Z CPEN_{S1}(PixelUnshuffle(Concat(I_{GT},I_{LQ}))),Z\in\mathbb{R}^{4C} ZCPENS1(PixelUnshuffle(Concat(IGT,ILQ))),Z∈R4C′之后IPR被送到DIRformer的DGFN和DMTA模块第一阶段训练的损失是GT和生成HQ的L1损失超分和inpainting任务还有erceptual loss and adversarial lossDMTA的操作 F ′ W l 1 Z ⊙ N o r m ( F ) W l 2 Z F W_l^1Z\odot Norm(F) W_l^2 Z F′Wl1Z⊙Norm(F)Wl2Z其中 W l W_l Wl是linear层 F , F ′ F,F F,F′分别是输入和输出的feature map Q W d Q W c Q F ′ , K W d K W c K F ′ , V W d V W c V F ′ Q W_d^QW_c^QF,KW_d^KW_c^KF,V W_d^VW_c^VF QWdQWcQF′,KWdKWcKF′,VWdVWcVF′其中 W d W_d Wd是depthwise卷积 W c W_c Wc是pointwise卷积之后被reshape成 Q ^ ∈ R H ^ W ^ × C ^ , K ^ ∈ R C ^ × H ^ W ^ , V ^ ∈ R H ^ W ^ × C ^ \widehat{Q}\in\mathbb{R}^{\widehat{H}\widehat{W}\times\widehat{C}},\widehat{K}\in\mathbb{R}^{\widehat{C}\times\widehat{H}\widehat{W}},\widehat{V}\in\mathbb{R}^{\widehat{H}\widehat{W}\times\widehat{C}} Q ∈RH W ×C ,K ∈RC ×H W ,V ∈RH W ×C 最后 F ^ W c V ^ ⋅ S o f t m a x ( K ^ ⋅ Q ^ / γ ) F \widehat{F}W_c\widehat{V}\cdot Softmax(\widehat{K}\cdot \widehat{Q}/\gamma)F F WcV ⋅Softmax(K ⋅Q /γ)FDGFN的操作 F ^ G E L U ( W d 1 W c 1 F ′ ) ⊙ W d 2 W c 2 F ′ F \widehat{F}GELU(W_d^1W_c^1F)\odot W^2_dW_c^2F F F GELU(Wd1Wc1F′)⊙Wd2Wc2F′Fstage2同时训练三个部分首先使用 C P E N S 1 CPEN_{S1} CPENS1得到 Z Z Z之后经过diffusion process得到 Z T ∈ R 4 C ′ Z_T\in\mathbb{R}^{4C} ZT∈R4C′ C P E N S 2 CPEN_{S2} CPENS2得到 D C P E N S 2 ( P i x e l U n s h u f f l e ( I L Q ) ) D CPEN_{S2}(PixelUnshuffle(I_{LQ})) DCPENS2(PixelUnshuffle(ILQ))之后进行DM以D为条件进行去噪t-1次得到 Z ^ \widehat{Z} Z 和 C P E N S 1 CPEN_{S1} CPENS1得到的 Z Z Z计算损失 L d i f f 1 4 C ′ ∑ i 1 4 C ′ ∣ Z ^ ( i ) − Z ( i ) ∣ L_{diff} \frac{1}{4C}\sum_{i 1}^{4C}|\widehat{Z}(i) - Z(i)| Ldiff4C′1∑i14C′∣Z (i)−Z(i)∣这损失和stage1的损失在一起计算总损失
实验
