“CoSeR: Bridging Image and Language for Cognitive Super-Resolution”
图像超分辨率技术旨在将低分辨率图像转换为高分辨率图像，从而提高图像的清晰度。现有的超分方法存在一些局限性，一是缺乏泛化能力，二是缺乏理解能力。
CoSeR能够从低分辨率图像中提取认知特征，生成在语义和纹理上与低分辨率图像保持一致的高质量参考图像。将生成的参考图像与认知特征一起包含，可以显著提高超分辨率（SR）性能。
项目主页：https://coser-main.github.io/
论文地址：https://arxiv.org/pdf/2311.16512.pdf
Github地址：https://github.com/VINHYU/CoSeR
摘要
现有的超分辨率（SR）模型主要侧重于恢复局部纹理细节，往往忽略了场景内部的全局语义信息。这种疏忽可能会导致关键语义细节的遗漏，或在恢复过程中引入不准确的纹理。本文提出认知超分辨率（CoSeR）框架，使SR模型具有理解低分辨率图像的能力。通过将图像外观和语言理解相结合来生成认知嵌入来实现这一点，这不仅激活了大型文本到图像扩散模型的先验信息，还有助于生成高质量的参考图像，以优化SR过程。为进一步提高图像保真度，本文提出一种新的条件注入方案，称为”All-in-Attention”，将所有条件信息合并到一个模块中。所提出方法成功地恢复了语义正确和逼真的细节，在多个基准上展示了最先进的性能。
简介
本文提出了一种名为Cognitive Super-Resolution（CoSeR）的方法，该方法结合了人类感知图像的认知过程，通过生成认知嵌入来恢复图像细节。作者还提出了利用图像先验知识的显式方法，通过生成参考图像来指导恢复过程。为了同时保持纹理真实性和保真度，作者引入了”All-in-Attention”设计，通过注意机制整合多个信息源。实验证明，该方法在保持保真度的同时生成了更复杂的纹理。
CoSeR是一种高精度图像超分辨率的新框架，它能够从低分辨率图像中提取认知嵌入，利用隐式扩散先验来增强输入。通过创建语义一致的参考图像，我们明确地引入扩散先验，以提高恢复图像的质量。为了增强图像的保真度，我们引入了一种新的“All-inAttention”架构，将条件信息集成到SR模型中。我们的方法在多个基准测试中实现了最先进的性能。
相关工作
真实图像超分辨率
实现图像超分辨率的两种主要方法：数据利用和图像先验。数据利用方面包括改进数据收集方式和生成流程，以及结合弱监督的配对和非配对数据。图像先验方面，使用预训练的生成模型，如GAN，来提高超分辨率的效果，但有时会出现不真实的纹理。因此，近期研究越来越关注使用更先进的预训练生成模型，如去噪扩散模型。
Diffusion-Based超分辨率
一些方法利用预训练扩散模型的隐式知识，但通常集中在非盲降级或特定领域，如面部图像。另一些方法利用大规模文本到图像扩散模型的最新进展，提高了处理多样化内容的能力。这些方法在视觉质量方面有了显著进展，但仍未充分利用大型文本到图像生成模型的潜力。
Reference-Based超分辨率
参考图像作为显式先验，可以帮助生成高清晰度细节。最近的参考图像超分辨率研究可以分为两个分支：一种注重空间对齐，另一种利用补丁匹配机制建立参考图像和低分辨率图像之间的长距离联系。然而，在实际场景中手动指定参考图像是费时费力的，因此需要开发自动化和高质量的参考图像生成方法。
方法
CoSeR采用双阶段过程，首先使用认知编码器对图像内容进行分析，然后利用预训练的稳定扩散模型中的图像先验信息进行细节恢复。此外，该模型还利用认知理解生成与输入语义紧密对齐的高保真参考图像，作为辅助信息，提高超分辨率结果的质量。最终，该模型同时应用三个条件控制：低分辨率图像、认知嵌入和参考图像。
认知编码器
模型采用轻量级SRResnet进行4倍超分辨率处理，然后使用预训练的CLIP图像编码器从预处理图像中提取特征。为了解决图像和语言表示之间的信息不匹配问题，该模型引入了一个认知适配器，用于从图像特征中提取多个令牌的认知嵌入。该适配器采用可学习的查询与空间排列的图像信息进行交互，从而重塑信息组织并促进特征压缩。同时，该模型还引入了一种新的监督形式，增强了适配器的能力，使其不仅能够重新组织图像特征，还能够作为模态转换器。
使用CLIP图像嵌入和语言嵌入进行认知适配的方法。其中，使用可学习的查询来生成认知嵌入，并使用前面的语言嵌入进行监督。监督策略是使用前面的一些标记作为监督，如果不够的话则使用类标记进行填充。训练认知编码器的损失函数是基于欧氏距离的平方。
讨论。本文介绍了一种利用特征嵌入进行认知过程的方法，相比于直接从低分辨率图像生成标题，该方法具有更高的语义相似度和更高的效率。同时，该方法也更加鲁棒，能够更好地处理低分辨率图像。与使用预训练图像标题模型相比，该方法的参数更少，只有3%。
参考图像的生成和编码
通过使用预训练的VQGAN将图像编码为潜在代码，并使用U-Net编码器生成多尺度控制特征。通过使用All-in-Attention模块，将低分辨率控制和参考图像控制输入模型，从而实现超分辨率。同时，通过使用认知嵌入技术生成参考图像，提高了模型的效率和准确性。
All-in-Attention模块
本文提出了一种All-in-Attention（AiA）模块，通过引入可训练的参考注意力和低分辨率注意力，同时保持自注意力和交叉注意力组件的冻结状态，综合整合所有条件信息到模型中，从而提高了图像超分辨率的保真度。该模块应用于去噪U-Net的中间和解码器中的所有注意力模块中。其中，低分辨率注意力的Q来自去噪U-Net特征Z，而K和V来自低分辨率控制X i。参考注意力中，我们选择使用低分辨率控制作为Q以获得更好的保真度，而K和V来自参考控制R i。在原始的交叉注意力中，我们使用认知嵌入E作为K和V的输入。同时，为了抵消参考SR中传统注意力机制可能产生的模糊效应，我们引入了“one-hot attention”来增强与最相关参考特征的低分辨率图像。
实验
实现细节
基于稳定扩散2.1的CoSeR模型，通过两个阶段的训练来实现。在推理阶段，采用了无分类器引导的方法来增强认知信息。为了优化真实感和保真度之间的平衡，采用了预训练的特征包装模块。
实验设置
训练和测试数据集。使用ImageNet数据集进行训练，并使用Real-ESRGAN降级生成相应的LR图像。为了评估模型在不同场景下的性能，作者构建了一个非重叠的ImageNet测试集，并使用了RealSR和DRealSR等已有的数据集进行评估。
比较方法。与其他一些最先进的SR方法进行了比较，包括RealSR、Real-ESRGAN+、BSRGAN、DASR、FeMaSR、latent diffusion models (LDM)、StableSR。
评估指标。使用了六个感知度量来评估模型的性能。这些度量包括FID、DISTS、LPIPS、CLIP-Score、MANIQA和MUSIQ。像PSNR和SSIM这样的像素级图像质量评估方法在实际应用中与人类感知的图像质量相关性较弱。
与SOTA比较
通过在ImageNet数据集和实际应用中的比较，证明了CoSeR在各项指标上的优越性和鲁棒性。同时，通过定性比较和用户研究，进一步证明了CoSeR在提高图像质量方面的有效性和实用性。
消融分析
通过使用认知信息、参考图像和全局注意力模块，该文档提出了一种新的超分辨率框架，可以提高图像的语义和纹理准确性。
认知信息。认知编码器可以显著提高FID和CLIP-Score指标，但类令牌编码器可能会引入语义和纹理偏差。
参考指导。引入参考图像可以显著提高超分辨率结果的纹理细节，而生成的图像与ImageNet中的真实参考图像相比具有可比或更好的结果。
All-in-Attention（AiA）模块。全局注意力模块可以提高结果的保真度，比空间特征变换（SFT）更有效。
总结
本文介绍了一种赋予超分辨率（SR）认知能力的创新方法。该模型在生成高清参考图像方面表现出色，有助于SR过程。此外，我们引入了一个全局注意力模块来提高结果的准确性。大量实验证实了我们方法在实际应用中的有效性。
评论0