Generative Image Inpainting with Contextual Attentionを読んだ

Jiahui Yu, Zhe Lin, Jimei Yang, Xiaohui Shen, Xin Lu, Thomas S. Huang
CVPR2018
arXiv, pdf, github

どんなもの？

アテンション用いて周囲のテクスチャを利用する，生成モデルベースの画像の補完手法を提案．

先行研究との差分

• 離れた場所にある，関連するパッチを取得してくるアテンション
• 学習のロバスト性やスピードを向上させるためのテクニック（state-of-the-artの手法で2ヶ月かかる学習を1週間で可能に）
• 多様な画像（顔，織目，風景など）でも質の高い画像補完を実現するネットワーク構造

技術や手法のキモ

全体像

Figure 2がアテンション無しの提案手法1（baseline model）．

• coarse-to-fineな構造
• 生成画像に対してGlobal critic, Local criticがそれぞれ全体的，局所的な整合性評価
• 整合性評価にはWGAN-GP(Wasserstein GAN Gradient Penalty) lossを使用

• 欠損領域内の点と背景領域の距離に応じてlossを割引（Spatially discounted reconstruction loss）
  

• Dilated convolutionで広範囲の情報を畳み込み（dilated convは以下の図を参考）
  
  https://towardsdatascience.com/understanding-2d-dilated-convolution-operation-with-examples-in-numpy-and-tensorflow-with-d376b3972b25

Contextual Attention

Contextual Attention LayerをDilated Convとパラレルに追加．（これがアテンション有りの提案手法2（full model））
相関の大きなパッチを利用してデコーディング．
Attention Mapの色が，画像中のアテンションの場所に対応．

Backgroundのパッチ（3x3）とForegroundを畳み込むことで相関を計算．

どうやって有効性を検証したか

state-of-the-artとの比較

state-of-the-artの手法 [15]と比較．
まずは比較手法とbaseline model（つまりアテンション無し）を比較．
見た感じ違いは分かりにくいが，baseline modelでは，比較手法で用いられるpost-processing step (image blending) 無しでこの結果が得られる．

続いて比較手法とfull model（つまりアテンション有り）を比較．
提案手法は，周囲のテクスチャ，構造を活用することで，よりアーティファクトが少なく自然な補完ができている．

人の顔や模様に対する結果．
Attention Mapを見ることで，画像のどの辺りが補完に利用されているか分かる．

以下は定量的な評価．
評価指標は，mean $l_1$ error, mean $l_2$ error, peak signal-to-noise (PSNR), total variation (TV)の4つ．
学習ベースの手法は$l_1$, $l_2$, PSNRで良い結果だが，TV lossにおいては直接パッチを貼り付ける手法が最も良い．
（PSNRはピーク信号対雑音比．信号がもたらす最大パワー／劣化をもたらすノイズ．おそらく今回の場合，信号は元画像，ノイズは補完による誤り．）
（total variationは勾配の絶対値を積分したもの．画像内の変化が小さいほど小さな値になる．）

Ablation study

その他のアテンションモジュール

• spatial transformer network [17]
• appearance flow [42]

と比較．
spatial transformer networkは画像中のグローバルなアフィン変換がcoarse過ぎるためうまくいかない（STN-based attention does not work well for inpainting as its global affine transformation is too coarse.）．
appearance flowは2つの画像で酷似したAttention Mapが生成されてしまっている（局所解にハマってしまう）．

DC-GAN，LSGANでも実験したが，うまくいかない．
WGAN-GP lossが有効であると分かる．

また，図，表は無いが，

• $l_1$ reconstruction lossは必須
• perceptual loss, style loss, total variation lossの有無は，結果の改善に繋がらなかった

とのこと．

議論はあるか

• coarse-to-fineな画像補完手法を提案
• 提案したcontextual attention moduleは，関連するbackgroundのパッチを利用し，画像補完の性能向上に繋がる

今後は，

• さらに高解像度な画像補完に拡張

を目指し，提案モデルとcontextual attention moduleは，

• conditional image generation
• image editing
• computational photography tasks (image-based rendering, super-resolution, guided editing)

などへの応用が期待できる．

次に読むべき論文

GANを用いた手法

• AttnGAN: Fine-Grained Text to Image Generation with Attentional Generative Adversarial Networks