CV干货，第一时间送达
arXiv: 2111.13905
code : https://github.com/njulj/AdaDM
Abstract
规范化技术(如BN)是CNN领域非常重要的技术，有助于加速训练、提升泛化精度。然而，在图像超分领域，规范化技术会降低特征的灵活性，故被EDSR之后各大超分方案剔除在外。
本文从定量与定性角度对该现象进行了分析并发现：残差特征的标准差经规范化后会大幅收缩，进而导致超分性能的退化。标准差能够反映像素值的变化量，当方差变小时，图像的边缘特征的辨别能力进一步降低。
为解决该问题，本文提出了一种AdaDM(Adaptive Deviation Modulator)，它可以自适应调整像素方差。为更好的泛化性，我们将BN与AdaDM嵌入到已有超分中。我们发现：AdaDM的自适应方差幅值调整策略使得边缘特征更具判别力，进而导致带BN与AdaDM的超分模型取得了更高的性能。
Motivation
为更好的理解，我们首先构建了三个残差模块T1、T2以及T3，见上图。需要注意的是，我们假设T1、T2以及T3具有相同的权值。从上图Figure2b可以看到，hat{x} 表示经LN变换后的特征，计算方式如下：
卷积采用f_{conv} 表示，那么输出gamma
可以表示如下：
按照卷积的相关特性，上式可以进一步优化为如下形式：
而Figure2a的输出则表示为：y = f_{conv}(x) 。对比两式可以发现：y
的像素分布被LN进行了重塑 。而在图像超分中，我们更关心像素方差，因其可以更好的反映边缘特征。因此，我们重新计算gamma 的标准差：
从上式可以看到：经过特征规范化后像素标准差降低到 1/sigma 。为更好的补偿像素方差损失，我们在T3中对gamma 乘以sigma 以保持像素方差一致性(可理解为方差放大)：
基于上述分析，我们将训练三个有T1、T2以及T3构建的超分模型M1、M2以及M3。我们以EDSR作为基线并替换其残差模块，模型训练曲线见下图。从中可以看到：M2的性能比M1差很多，这与EDSR一文的分析相一致 ；而M3通过引入方差放大机制避免了该问题并进一步提升了模型性能。
Method
Adaptive Deviation Modulator
在这里，我们需要一种机制：对残差特征的像素方差进行复原且能适配不同网络架构。因此，我们提出了AdaDM促使网络在训练过程中学习方差放大因子。
AdaDM模块结构图见上图，其计算公式如下：
也就是说：上述调制机制是在对数空间进行的(作者认为这样做具有更好的稳定性)。
AdaDM with EDSR， RDN and NLSN
上图给出了AdaDM与不同超分架构核心模块的组合示意图，即在每个卷积前插入BN，在残差分支的尾部插入AdaDM。
Ablation Study
在正式给出最终效果之前，我们先进行一些消融实验分析。首先，我们先看一下BN位置的影响，对比了两种形式的残差模块，见上图与表。从中可以看到：
- BN置于Conv之后的SRRB(即SRResNet)的性能要弱于EDSR，这与EDSR的分析相一致；
- BN置于Conv之前的PreRB的性能与EDSR相当或更好，这与本文的分析相一致。
上表对比了AdaDM的影响，从中可以看到：
- 仅使用AdaDM会导致模型不收敛；
- BN与AdaDM的组合可以提升模型性能，进一步验证了AdaDM的作用。
尽管AdaDM能够取得轻微的性能提升，但仍不确定：性能提升是源自方差放大还是额外添加的跳过连接 ？为进一步验证，我们对额外的跳过连接进行detach处理，即无梯度回传。
上表给出了两个模式的模型性能对比可以看到：
- 在Set5、B100与Urban100数据集上，两者性能相当；
- 在Set14数据集上，detached版本性能高0.1dB
- 在Manga109数据集上，detached版本性能低0.05dB；
- 基于此，我们可以得出结论：BN AdaDM组合的性能提升源自方差放大机制。
Main Results
上表与图给出了所提方案与其他超分方案的性能与可视化效果对比，从中可以看到：改进版EDSR、RDN以及NLSN均取得了更优的性能 。
上表给出了DF2K训练的模型性能对比，CRAN与DFSA均为当前SOTA方案，从中可以看到：采用DF2K训练的方案甚至取得了比CRAN与DFSA更高的指标 。
