Star⭐

Harmonizer

Harmonizer: Learning to Perform White-Box Image and Video Harmonization

Zhanghan Ke, Chunyi Sun, Lei Zhu, Ke Xu, and Rynson W H Lau. 2022. Computer Vision – ECCV 2022. Lect Notes Comput Sc (2022), 690–706. DOI:https://doi.org/10.1007/978-3-031-19784-0_40

论文的概念好像很简单，就是我们在从合成图片（composite image）到融合图片（harmonized image）上的方法，从之前的通过使用大规模的autoencoder逐个像素进行融合，到现在论文提出的方法是直接像我们人P图一样，预测出一些滤镜的参数，直接对整个图片进行操作，这样带来的好处就是，处理更快，网络更轻，同时效果还不差。

the main contributions

  1. 一个新的框架，Harmonizer，新的网络结构，用来预测对应参数的神经网络以及白盒的滤镜filter，基于神经网络预测得到的参数直接对图片进行操作。

  2. 一个层级的回归器，cascade regressor，主要是为了解决学习过滤器的参数不是一个可以同时优化的过程，亮度，高光，很多不同的参数，同时通过使用多头的回归器对每个过滤器单独进行预测，效果不是很好，所以提出了层级的回归器，基于一个级联回归器cascade regressor来解决这个问题，根据前面的过滤器参数的特征来预测每个过滤器参数

  3. 一个动态的损失策略，dynamic loss strategy，因为每个filter的损失会累积所有filter的errors，导致回归器对一些filter会有偏差，所有引入这个动态损失策略，就平衡了各个filter的损失，让它更好的学习。

网络设计的想法

两个阶段，因为是白盒，所以就一直以我们人要怎么处理这张合成图片，让它看起来更具有自然性；所以第一个阶段就是，对一些过滤器去调整合适的参数，让前景和背景融合。第二个阶段是根据第一阶段里面使用的过滤器，进一步确定影响最大的过滤器（高光 亮度 对比度...）和他们的参数。

Architecture

主体就是encoder和regressor的结构，输入一张图片I0′I^{'}_0以及它的前景掩码图M, 然后用Encoder ε\varepsilon 和Regessor RR 来不断回归，得到k个图像的filter 参数，然后再依次把这些操作放到图片上，得到相应的输出 I′I^{'} 。这里的encoder主要就是用来提取特征的，结构是来自于 EfficientNet-B0，

整个回归的过程，就是首先我们得到了输入图片I0′I^{'}_0 和前景掩码 M 的特征， Z=ε(I0′,M)Z=\varepsilon(I^{'}_0,M), 从一开始输入的下采样到 256×256256 \times 256然后得到特征 Z 是 160个channels。接着，通过对特征Z 全局的池化，以及用 R 进行回归，得到最后白盒处理的滤镜参数θ=θ1,...,θk=R(Z) \theta = {\theta_1,...,\theta_k}=R(Z), where θi∈[−1,1],i=i,...,k\theta_i \in [-1, 1], i=i,...,k. 有了参数 θ\theta, 就可以得到对应的输出， Ii′=Fi(Ii−1′,θi),i=1,...,kI^{'}_i=F_i(I^{'}_{i-1}, \theta_i), i = 1,..., k. 最后我们从合成的图片到输出的融合的图片就是， I′=MIk′+(1−M)I0′I^{'}=MI^{'}_k + (1-M)I^{'}_0，然后最后的输出也可以看出来，再次把输入 I0′I^{'}_0 放进去，确保背景的像素不会被改变，改变的只是前景部分，这也是image harmonization 里面比较在意，或者说很重要的一点吗？

Cascade Regressor

这里要回归预测得到k 个filter的参数，视作一个multi-task problem，因为如果只是对每个filter去回归参数，最后的结果不理想，所以需要使用层级的回归器，具体的做法是当我们在对一个参数进行回归的时候，使用前面的filter的参数的特征向量作为条件。从θi=Ri(Z),i=1,...,k.\theta_i=R_i(Z), i = 1,...,k. 到

θ1=R1(Z)θi=Ri(Z∣θi−1)=Ri(Z∣θi−1,...,θ1),i=2,...,k\theta_1 = R_1(Z) \theta_i = R_i(Z|\theta_{i-1})=R_i(Z|\theta_{i-1},...,\theta_1), i = 2,...,k

然后就把这6（文章根据自己的实验和经验以及确保程序表现而得出的6个）个filter和之前的，通过encoder得到的特征向量 Z 进行相加，进一步去回归。

动态损失策略：损失函数 Li=M∣∣Ii′−Ii∣∣2=M∣∣Fi(Ii−1′,θi)−Ii∣∣2,i=1,...,kL_i=M||I^{'}_i-I_i||_{2}=M||F_i(I^{'}_{i-1},\theta_i)-I_i||_2, i=1,...,k，进一步动态调整为：

L~i=max(Li−Li−1Lk,0)i=1,...,k\tilde{L}_i=max(\frac{L_i-L_{i-1}}{L_k},0)\qquad i=1,...,k
L=μ∑i=1kL~iL=\mu\sum^k_{i=1}\tilde{L}_i

其他

  • 实验上就是iHarmon4的数据集, 然后因为在iHarmony4里面的合成图是通过GAN生成的，所以做了一些数据增强，用之前提到的逆向操作。

  • 指标就是常见的MSE Mean Square Error, fMSE foregroud Mean Square Error, PSNR Peak Signal-to-Noise Ration, 那fMSE只考虑前景的原因就是图像融合不会对背景有改变啦。

  • 训练上，用Adam优化器梯度下降，60个epoch，每个batch16张图片，学习率的设置就直接每25个epoch乘以0.1。

  • 最后的评估，一方面就是256256的，但是要看高分辨率的，就很多方法都是在512512上面训练的，所以直接输入2000之类的分辨率不太好，就最后在输出结果的时候上采样（用了一个叫PCM的方法，Polynomial Color Mapping）。

  • 最后的结果就是在一块RTX3090的GPU上训练，SOTA，模型小，速度快，占用内存低。

存在的问题:

  1. （表现上的问题）就是文章里面提到的，对于前景和背景之间有很强的色调差异，以及照明灯光情况差异较大的时候，效果会不好，那文章提到了再加一个filter，之前

  2. 没发现有其他问题？感觉问题都是为了结果的更优化。

  3. 应用到其他问题上？效果可能不错，用来去生成splicing的数据集。

  4. 可以优化的地方？Encoder的结构，是不是有更好的选择，可以提取出合成图和前景mask更好的特征。

GitHub

https://github.com/ZHKKKe/Harmonizer

Previoustesting-ETNextHT / D-HT

Last updated