小哥质疑谷歌顶会论文有错，并且拿出了复现代码来证明
共 2037字，需浏览 5分钟
·
2021-02-09 12:43
极市导读
快速拯救拍照手抖。 >>加入极市CV技术交流群，走在计算机视觉的最前沿
景色很好看，可是手机相机分辨率太低，照不出清晰的照片？
没关系，试试这个超分辨率算法，让AI“自动”帮你调整分辨率。
经过算法调整后，照片几乎立刻就清晰了数倍，连角落里模糊的文字都看得清：
这是来自谷歌的一个手机超分辨率算法，此前登上过SIGGRAPH 2019顶会，阐述的是自家手机Pixel 3中使用的超分技术。
现在，这个算法确实被复现了出来，然而，方法却与论文不全一致（复现的作者Michael Kunz认为，论文有些地方写错了）。
来看看这是怎么回事。
多帧合一帧，效果更清晰
论文中，这个用手机实现超分辨率的原理，是这样的：
在用手机拍照的过程中，手部会出现轻微的震颤。
△手抖示例
这导致在连续拍摄同一景象的过程中，每张照片都会有一个微小的偏移量，这些小偏移量，恰好能提供超分辨率所需要的亚像素信息。
然后，将这些彼此之间略有差异的图像帧，进行对齐、融合，就可以得到一张每个像素位置都有红、绿、蓝三通道值的图像。
具体算法是这样的：
首先，获取多帧RAW图像；然后，选择其中一帧作为基准帧，其余图像进行局部对齐，并通过核回归，估计每一帧对结果的局部贡献度；最后，分成RGB三种颜色通道，将贡献进行叠加。
在训练过程中，图像的局部特征会对核形状进行调整，并对采样值进行加权。
最后，对每个颜色通道进行归一化，获得最后的RGB图像。
整体来说，就是用多帧融合算法，代替了去马赛克的传统超分辨率算法。
然而，听起来非常完美的算法，有人在复现的过程中，却发现了一些问题。
实际复现并不容易
项目的作者表示，在复现这篇论文的过程中，发现了一些bug，但目前论文原作者、发行方都还没回应他。
再来看看这个算法：
首先，在图像帧的获取上，如果采用谷歌相机的单反模式进行拍摄，由于时间间隔较长，手部产生的“震颤”可能比想象得大，需要再通过全局的预对齐来弥补缺陷。
然后，主要的问题出在b、c两个步骤上。
第一个不准确的问题，是具体采用的帧数。论文表明“通过分析每个帧的局部梯度结构张量，来计算核的协方差矩阵”，然而作者发现，对每一帧都这样操作其实毫无意义。
作者放弃了像论文所述那样进行采样，选择了5×5而非3×3的核，并对梯度进行了高斯平滑，在全分辨率下计算每个像素的结构张量。
此外，则是步骤d的情况，经过长时间曝光的图像，包含许多低频噪声，使得精确跟踪无法实现。因此，作者在跟踪步骤前面还加入了一个高通滤波器。
然而，论文却完全没有提到“高通滤波器”这种东西。
到了步骤e和f，谷歌论文的作者用了一个专业术语“Wiener shrinkage” ，但这个术语在引用论文中完全没有出现，无法得知具体含义。
因此，复现的作者，只能根据自己的猜测，结合引用的论文来复现。
其他还有一些细节上的错误，例如把公式搞错了的情况也有发生：
好在，最后他还是将这篇论文复现了出来：
而且做成了一个完整的项目，来看看具体效果。
具体效果
先来看看论文中所展示的效果，看上去还是非常不错的：
不仅噪点去除了不少，边缘也很平滑，没有放大后物体轮廓凸显的棱角。
而且，看起来也比其他的论文算法要更好：
那么，实际上复现出来的效果如何呢？
整体好像不太看得出效果，放大一点试试：
单栋大楼的窗子确实清晰了不少，原本是模糊一片，现在几乎能数得出数量了。
不过，相比于论文中的效果，复现出来的实际结果，似乎并没有那么“完美”。
但用来拍摄风景，效果还挺好：
拍照如果手抖的话，可以将它装到手机里试一试了~
项目地址：
https://github.com/kunzmi/ImageStackAlignator
论文地址：
https://dl.acm.org/doi/10.1145/3306346.3323024
推荐阅读
