去除摩尔纹，治愈强迫症, 来卷网盘赛
采用多尺度bandpass 卷积神经网络（MBCNN）来去除摩尔纹。
Image Demoireing with Learnable Bandpass Filters, CVPR2020
一、背景
数字屏幕在现代日常生活中无处不在：我们在家里有电视屏幕，在办公室有笔记本电脑/台式机屏幕，在公共场所有大尺寸LED屏幕。拍摄这些屏幕的图片以快速保存信息已成为一种惯例。然而，在对这些屏幕拍照的时候通常会出现波纹图像，从而降低了照片的图像质量。当两个重复的图案相互干扰时，出现摩尔纹图案。在拍摄屏幕图片的情况下，相机滤色镜阵列（CFA）会干扰屏幕的亚像素布局。
与去噪、去马赛克、颜色恒定、锐化等其他图像修复问题不同，人们对图像去伪存真(demireing)的关注较少，它是指从被摩尔纹污染的图像中恢复基本的干净图像。这个问题在很大程度上仍然是一个未解决的问题，由于摩尔纹图案在频率、形状、颜色等方面的巨大变化。
二、模型设计
华为方舟提出了一种新颖的多尺度bandpass 卷积神经网络（MBCNN）来解决这个问题。作为端到端解决方案，MBCNN分别解决了两个子问题。对于纹理恢复子问题，提出了一个可学习的带通滤波器（LBF），以了解去除摩尔纹之前的频率。对于颜色恢复子问题，提出了两步色调映射策略，该策略首先应用全局色调映射来校正全局色彩shift，然后对每个像素执行颜色的局部微调。
数码相机捕获的含摩尔纹的图像可以建模为：
其中ψ-1是ψ的反函数，在图像处理领域被称为色调映射函数。以此模型建模，图像去摩尔纹任务可以分为两步，即摩尔条纹去除和色调映射。
1、Multiscale bandpass CNN
1.1、 Multi-Branch Encoder
整体的模型在三个scales上工作，并具有三种不同类型的blocks，分别是波纹纹理去除块（MTRB），全局色调映射块（GTMB）和局部色调映射块（LTMB）。
首先将具有h×w×c形状的输入图像I可逆地向下采样为四个h/2×w/2×4c形状的子图像。下面的网络由三个分支组成，每个分支用于恢复特定比例的波纹图像，同时每个分支顺序地执行摩尔纹去除和色调映射，最终输出放大后的图像，并将其融合到更小比例的分支中。在分支I和II中，将当前分支的特征和较粗的缩放分支的输出特征融合后，将其他GTMB和MTRB堆叠在一起，以消除缩放比例引起的纹理和颜色错误。
1.2、Moire texture removal
摩尔纹可以表示为：
按照这种公式，我们可以先估计不同尺度和频率的波纹纹理的分量，然后基于所有估计的分量重建波纹纹理。Block-DCT是处理频率相关问题的有效方法。
其中D表示Block-DCT函数。
Learnable Bandpass Filter
受隐式DCT的启发，可以用深度CNN直接估计 implicit frequency spectrum(IFS) 。由于变换都是线性的，因此可以用一个简单的卷积层来建模。由于Moire纹理的频谱总是有规律的，我们可以使用带通滤波器来放大某些频率，减弱其他频率。然而，在建模之前我们很难得到频谱，因为在不同的尺度上，会有几个频率，而且它们也会相互影响。为了解决这个问题，提出了一种可学习的带通滤波器(LBF)来学习摩尔纹图像的先验。LBF为每一个频率引入了一个可学习的权重。
1.3 Tone mapping 色调映射
RGB颜色空间是一个非常大的空间，包含256的3次方种颜色，因此很难进行逐点色调映射。观察到摩尔纹图像和干净图像之间存在颜色偏移，本文提出了一种两步色调映射策略，其中包含两种类型的色调映射块：全局色调映射块（GTMB）和局部色调映射块（LTMB）。
全局色调映射块Global tone mapping block
注意力机制已经被证明在许多任务中是有效的，并且已经提出了几种通道注意模块。GTMB可以看作是一个通道注意模块。然而，GTMB与现有的通道注意模块在几个方面有所不同。 首先，现有的通道注意力块总是由一个Sigmoid单元激活，而GTMB中的γ没有这样的约束。其次，通道注意力是直接应用在现有通道注意力块的输入上，而GTMB中的γ是应用在局部特征Flocal上。最后，现有的通道注意力模块的目的是进行自适应的channel-wise特征重新校准；GTMB的目标是进行全局的颜色偏移，避免不规则和不均匀的局部颜色伪影。
局部色调映射块Local tone mapping block
三、损失函数
将L1损失用作基本损失函数，因为已经证明 L1损失比L2损失对图像恢复任务更有效。但是，L1损失本身是不够的，因为它是无法提供结构信息的逐点损失，而摩尔纹是 structural artifact。特提出了Advanced Sobel Loss（ASL）来解决此问题。
与经典Sobel Loss相比，ASL提供了两个额外的45°方向Loss，它们可以提供更丰富的结构信息。
总的损失函数为：
四、实验
#1.解压比赛数据集
!unzip data/data121008/moire_train_dataset.zip -d data/train >/dev/null
!unzip data/data121008/moire_testA_dataset.zip -d data/testA >/dev/null#2.数据读取定义
!cat work/dataset.py#3.模型定义
!cat work/model.py#4.定义训练方式
!cat work/train.py#5.训练，日志在vdl_log目录下，可用左侧的VisualDL的数据模型可视化功能，查看训练进程
%cd /home/aistudio/
!python work/train.py#6.预测结果
%cd /home/aistudio/
!python work/predict.py --dataset_root /home/aistudio/data/testA/moire_testA_dataset/ --pretrained /home/aistudio/checkpoint/120.pdparams#7.打包提交文件
%cd /home/aistudio/output/
!zip result.zip *.txt *.jpg五、总结
项目为了演示目的，只使用了比赛的数据集。
针对比赛任务，模型还有很多优化空间，四个方向供参考：
- 数据：利用外部数据集进行预训练或者直接转换预训练模型，然后在比赛数据集上微调；
- 模型：针对数据集的特点，优化模型结构；
- Loss：采用论文中提出的L1和SoberLoss混合损失来训练；
- 训练：调整训练策略和超参数据。
MBCNN当前在TIP2018数据集榜上综合指标排名暂列第一，PSNR为30.03，SSIM为0.893。
