website：http://raywzy.com/Old_Photo/
GitHub：https://github.com/microsoft/Bringing-Old-Photos-Back-to-Life
一、简介
目的：老照片的退化太复杂，合成数据跟真实老照片间的domain gap使得只在合成数据上训练的网络很难去很好的泛化，为此，希望通过域转换对齐分布。
二、主要内容
1、定义：设真实老照片域为R，合成数据域为X，合成数据对应的真值数据域为Y。
2、主要框架：
首先，通过VAE将三个域的图像分别映射至对应的隐空间：R->Z_R，X->Z_X，Y->Z_y。这里，为了对齐分布，尽可能的对齐合成数据和真实老照片数据的隐空间：Z_R～Z_X。然后，通过合成数据对{x, y}，学习退化图像的隐空间到真值图像的隐空间的转换，从而实现老照片复原：
2.1、在VAE的隐空间进行域对齐：该方法的一个关键就是把真实老照片域R和合成数据域X编码到同一个隐空间。为此，作者采用VAE来实现，使用VAE的关键一点就是，VAE包含隐空间的KL正则项，该项可以帮助对齐老照片的隐空间和合成数据的隐空间，从而减小域间隔。这里，该框架总共有两个VAE，真实老照片数据R和合成数据X共享同一个VAE_1，真值图像用第二个VAE_2进行编解码。VAE假设隐编码服从高斯先验，这样，新的图像可以从高斯分布采样进行重建。对于，真实老照片数据的优化目标是：
其中，第一项是KL散度，惩罚隐编码服从高斯先验；第二项是重建项，隐式约束隐编码捕获图像的主要信息；第三项是LSGAN loss约束VAE生成视觉质量高的图像。训练时，交替输入合成数据和真实老照片数据，优化VAE1，为了进一步减小域间隔，额外用对抗损失进一步判别老照片的隐编码和合成数据的隐编码：
2.2、通过隐编码映射进行复原：
由于老照片和合成数据已经在隐空间进行了很好的域对齐，因此，通过成对数据{x, y}学到的从隐编码Z_X到隐编码Z_Y的映射，也能够很好的泛化到老照片上。在这一阶段，那就是固定两个VAE，然后学两个隐空间的映射网络T，损失函数为：
第一项惩罚成对数据{x, y}的隐编码一致：
第二项鼓励最终的转换输出图像的视觉质量高。第三项是特征匹配损失，用来稳定GAN的训练，具体包括判别器的特征损失和VGG的特征损失：
2.3、多退化重建：
为了复原划痕这种大的结构性退化，需要利用图像的大范围全局特征，因此，在编码映射网络T中，加入非局部模块（non-local attention），该非局部模块同时利用了表示划痕的mask。该模块结构如下：
非局部操作可公式化为：
其中：
这里的非局部分支利用了表示划痕的mask，该mask是通过一个预训练好的mask预测网络得到的。这个mask预测网络采用Unet结构，训练时利用了采样和focal loss来解决样本不平衡问题。
非局部分支和局部分支的融合如下：
三、实验
1、数据：合成数据采用高斯噪声，高斯模糊，JPEG压缩以及box 模糊来模拟。按照随机的顺序组合这些退化，并以30%的概率丢弃退化。
2、网络结构：
3、结果
