一、論文&代碼

論文：

https://openaccess.thecvf.com/content/CVPR2022/papers/Lei_ABPN_Adaptive_Blend_Pyramid_Network_for_Real-Time_Local_Retouching_of_CVPR_2022_paper.pdf
模型&代碼：

https://www.modelscope.cn/models/damo/cv_unet_skin-retouching/summary

二、背景

隨著數(shù)字文化產(chǎn)業(yè)的蓬勃發(fā)展，人工智能技術開始廣泛應用于圖像編輯和美化領域。其中，人像美膚無疑是應用最廣、需求最大的技術之一。傳統(tǒng)美顏算法利用基于濾波的圖像編輯技術，實現(xiàn)了自動化的磨皮去瑕疵效果，在社交、直播等場景取得了廣泛的應用。然而，在門檻較高的專業(yè)攝影行業(yè)，由于對圖像分辨率以及質量標準的較高要求，人工修圖師還是作為人像美膚修圖的主要生產(chǎn)力，完成包括勻膚、去瑕疵、美白等一系列工作。通常，一位專業(yè)修圖師對一張高清人像進行美膚操作的平均處理時間為1-2分鐘，在精度要求更高的廣告、影視等領域，該處理時間則更長。

相較于互娛場景的磨皮美顏，廣告級、影樓級的精細化美膚給算法帶來了更高的要求與挑戰(zhàn)。一方面，瑕疵種類眾多，包含痘痘、痘印、雀斑、膚色不均等，算法需要對不同瑕疵進行自適應地處理；另一方面，在去除瑕疵的過程中，需要盡可能的保留皮膚的紋理、質感，實現(xiàn)高精度的皮膚修飾；最后也是十分重要的一點，隨著攝影設備的不斷迭代，專業(yè)攝影領域目前常用的圖像分辨率已經(jīng)達到了4K甚至8K，這對算法的處理效率提出了極其嚴苛的要求。為此，我們以實現(xiàn)專業(yè)級的智能美膚為出發(fā)點，研發(fā)了一套高清圖像的超精細局部修圖算法ABPN，在超清圖像中的美膚與服飾去皺任務中都實現(xiàn)了很好的效果與應用。

三、相關工作

3.1 傳統(tǒng)美顏算法

傳統(tǒng)美顏算法的核心就是讓皮膚區(qū)域的像素變得更平滑，降低瑕疵的顯著程度，從而使皮膚看起來更加光滑。一般來說，現(xiàn)有的美顏算法可劃分為三步：1）圖像濾波算法，2）圖像融合，3）銳化。整體流程如下：

其中為了實現(xiàn)皮膚區(qū)域的平滑，同時保留圖像中的邊緣，傳統(tǒng)美顏算法首先使用保邊濾波器（如雙邊濾波、導向濾波等）來對圖像進行處理。不同于常用的均值濾波、高斯濾波，保邊濾波器考慮了不同區(qū)域像素值的變化，對像素變化較大的邊緣部分以及變化較為平緩的中間區(qū)域像素采取不同的加權，從而實現(xiàn)對于圖像邊緣的保留。而后，為了不影響背景區(qū)域，分割檢測算法通常被用于定位皮膚區(qū)域，引導原圖與平滑后的圖像進行融合。最后，銳化操作可以進一步提升邊緣的顯著性以及感官上的清晰度。下圖展示了目前傳統(tǒng)美顏算法的效果：

原圖像來自unsplash[31]

從效果來看，傳統(tǒng)美顏算法存在兩大問題：1）對于瑕疵的處理是非自適應的，無法較好的處理不同類型的瑕疵。2）平滑處理造成了皮膚紋理、質感的丟失。這些問題在高清圖像中尤為明顯。

3.2 現(xiàn)有深度學習算法

為了實現(xiàn)皮膚不同區(qū)域、不同瑕疵的自適應修飾，基于數(shù)據(jù)驅動的深度學習算法似乎是更好的解決方案?？紤]任務的相關性，我們對Image-to-Image Translation、Photo Retouching、Image Inpainting、High-resolution Image Editing這四類現(xiàn)有方法對于美膚任務的適用性進行了討論和對比。

3.2.1 Image-to-Image Translation

圖像翻譯(Image-to-Image Translation)任務最開始由pix2pix[1]所定義，其將大量計算機視覺任務總結為像素到像素的預測任務，并且提出了一個基于條件生成對抗網(wǎng)絡的通用框架來解決這類問題?；趐ix2pix[1]，各類方法被陸續(xù)提出以解決圖像翻譯問題，其中包括利用成對數(shù)據(jù)(paired images)的方法[2,3,4,5]以及利用非成對數(shù)據(jù)(unpaired images）的方法[6,7,8,9]。一些工作聚焦于某些特定的圖像翻譯任務（比如語義圖像合成[2,3,5]，風格遷移等[9,10,11,12]），取得了令人印象深刻效果。然而，上述大部分的圖像翻譯主要關注于圖像到圖像的整體變換，缺乏對于局部區(qū)域的注意力，這限制了其在美膚任務中的表現(xiàn)。

3.2.2 Photo Retouching

受益于深度卷積神經(jīng)網(wǎng)絡的發(fā)展，基于學習的方法[13,14,15,16]近年來在修圖領域展現(xiàn)了出色的效果。然而，與大多數(shù)圖像翻譯方法相似的是，現(xiàn)有的retouching算法主要聚焦于操控圖像的一些整體屬性，比如色彩、光照、曝光等。很少關注局部區(qū)域的修飾，而美膚恰恰是一個局部修飾任務（Local Photo Retouching），需要在修飾目標區(qū)域的同時，保持背景區(qū)域不動。

3.2.3 Image Inpainting

圖像補全(image inpainting)算法常用于對圖像缺失的部分進行補全生成，與美膚任務有著較大的相似性。憑借著強大的特征學習能力，基于深度生成網(wǎng)絡的方法[17,18,19,20]這些年在inpainting任務中取得了巨大的進步。然而，inpainting方法依賴于目標區(qū)域的mask作為輸入，而在美膚以及其他局部修飾任務中，獲取精確的目標區(qū)域mask本身就是一個非常具有挑戰(zhàn)性的任務。因而，大部分的image inpainting任務無法直接用于美膚。近年來，一些blind image inpainting的方法[21,22,23]擺脫了對于mask的依賴，實現(xiàn)了目標區(qū)域的自動檢測與補全。盡管如此，同大多數(shù)其他image inpainting方法一樣，這些方法存在兩個問題：a)缺乏對于目標區(qū)域紋理及語義信息的充分利用，b)計算量較大，難以應用于超高分辨率圖像。

3.2.4 High-resolution Image Editing

為了實現(xiàn)高分辨率圖像的編輯，[15,24,25,26]等方法通過將主要的計算量從高分辨率圖轉移到低分辨率圖像中，以減輕空間和時間的負擔。盡管在效率上取得了出色的表現(xiàn)，由于缺乏對于局部區(qū)域的關注，其中大部分方法都不適用于美膚這類局部修飾任務。
綜上，現(xiàn)有的深度學習方法大都難以直接應用于美膚任務中，主要原因在于缺乏對局部區(qū)域的關注或者是計算量較大難以應用于高分辨率圖像。

四、基于自適應混合金字塔的局部修圖框架

美膚本質在于對圖像的編輯，不同于大多數(shù)其他圖像轉換任務的是，這種編輯是局部的。與其相似的還有服飾去皺，商品修飾等任務。這類局部修圖任務具有很強的共通性，我們總結其三點主要的困難與挑戰(zhàn)：1）目標區(qū)域的精準定位。2）具有全局一致性以及細節(jié)保真度的局部生成（修飾）。3）超高分辨率圖像處理。為此，我們提出了一個基于自適應混合金字塔的局部修圖框架（ABPN: Adaptive Blend Pyramid Network for Real-Time Local Retouching of Ultra High-Resolution Photo, CVPR2022,[27]），以實現(xiàn)超高分辨率圖像的精細化局部修圖，下面我們對其實現(xiàn)細節(jié)進行介紹。

4.1 網(wǎng)絡整體結構

如上圖所示，網(wǎng)絡結構主要由兩個部分組成：上下文感知的局部修飾層（LRL）和自適應混合金字塔層（BPL）。其中LRL的目的是對降采樣后的低分辨率圖像進行局部修飾，生成低分辨率的修飾結果圖，充分考慮全局的上下文信息以及局部的紋理信息。進一步，BPL用于將LRL中生成的低分辨率結果逐步向上拓展到高分辨率結果。其中，我們設計了一個自適應混合模塊（ABM）及其逆向模塊（R-ABM），利用中間混合圖層Bi，可實現(xiàn)原圖與結果圖之間的自適應轉換以及向上拓展，展現(xiàn)了強大的可拓展性和細節(jié)保真能力。我們在臉部修飾及服飾修飾兩個數(shù)據(jù)集中進行了大量實驗，結果表明我們的方法在效果和效率上都大幅度地領先了現(xiàn)有方法。值得一提的是，我們的模型在單卡P100上實現(xiàn)了4K超高分辨率圖像的實時推理。下面，我們對LRL、BPL及網(wǎng)絡的訓練loss分別進行介紹。

4.2 上下文感知的局部修飾層（Context-aware Local Retouching Layer）

在LRL中，我們想要解決三中提到的兩個挑戰(zhàn)：目標區(qū)域的精準定位以及具有全局一致性的局部生成。如Figure 3所示，LRL由一個共享編碼器、掩碼預測分支(MPB)以及局部修飾分支(LRB)構成。

總得來說，我們使用了一個多任務的結構，以實現(xiàn)顯式的目標區(qū)域預測，與局部修飾的引導。其中，共享編碼器的結構可以利用兩個分支的共同訓練優(yōu)化特征，提高修飾分支對于目標全局的語義信息和局部的感知。大多數(shù)的圖像翻譯方法使用傳統(tǒng)的encoder-decoder結構直接實現(xiàn)局部的編輯，沒有將目標定位與生成進行解耦，從而限制了生成的效果（網(wǎng)絡的容量有限），相比之下多分支的結構更利于任務的解耦以及互利。在局部修飾分支LRB中我們設計了LAM（Figure 4），將空間注意力機制與特征注意力機制同時作用，以實現(xiàn)特征的充分融合以及目標區(qū)域的語義、紋理的捕捉。消融實驗（Figure 6）展現(xiàn)了各個模塊設計的有效性。

4.3 自適應混合金字塔層（Adaptive Blend Pyramid Layer）

LRL在低分辨率上實現(xiàn)了局部修飾，如何將修飾的結果拓展到高分辨率同時增強其細節(jié)保真度？這是我們在這部分想要解決的問題。

4.3.1 自適應混合模塊（Adaptive Blend Module）

在圖像編輯領域，混合圖層（blend layer）常被用于與圖像（base layer）以不同的模式混合以實現(xiàn)各種各樣的圖像編輯任務，比如對比度的增強，加深、減淡操作等。通常地，給定一張圖片，以及一個混合圖層，我們可以將兩個圖層進行混合得到圖像編輯結果

，如下：

其中 f 是一個固定的逐像素映射函數(shù)，通常由混合模式所決定。受限于轉化能力，一個特定的混合模式及固定的函數(shù) f 難以直接應用于種類多樣的編輯任務中去。為了更好的適應數(shù)據(jù)的分布以及不同任務的轉換模式，我們借鑒了圖像編輯中常用的柔光模式，設計了一個自適應混合模塊 (ABM），如下：

其中表示 Hadmard product，和為可學習的參數(shù)，被網(wǎng)絡中所有的 ABM 模塊以及接下來的 R-ABM 模塊所共享，

表示所有值為 1 的常數(shù)矩陣。 4.3.2 逆向自適應混合模塊（Reverse Adaptive Blend Module） 實際上，ABM 模塊是基于混合圖層 B 已經(jīng)獲得的前提假設。然而，我們在 LRL 中只獲得了低分辨率的結果，為了得到混合圖層 B，我們對公式 3 進行求解，構建了一個逆向自適應混合模塊 (R-ABM），如下： ?

總的來說，通過利用混合圖層作為中間媒介，ABM 模塊和 R-ABM 模塊實現(xiàn)了圖像 I 和結果 R 之間的自適應轉換，相比于直接對低分辨率結果利用卷積上采樣等操作進行向上拓展（如 Pix2PixHD），我們利用混合圖層來實現(xiàn)這個目標，有其兩方面的優(yōu)勢：1）在局部修飾任務中，混合圖層主要記錄了兩張圖像之間的局部轉換信息，這意味著其包含更少的無關信息，且更容易由一個輕量的網(wǎng)絡進行優(yōu)化。2）混合圖層直接作用于原始圖像來實現(xiàn)最后的修飾，可以充分利用圖像本身的信息，進而實現(xiàn)高度的細節(jié)保真。

實際上，關于自適應混合模塊有許多可供選擇的函數(shù)或者策略，我們在論文中對設計的動機以及其他方案的對比進行了詳細介紹，這里不進行更多的闡述了，F(xiàn)igure 7 展示了我們的方法和其他混合方法的消融對比。 4.3.3 Refining Module

4.4 損失函數(shù)

實驗結果5.1 與 SOTA 方法對比

5.2 消融實驗

5.3 運行速度與內存消耗

效果展示 美膚效果展示：

原圖像來自 unsplash [31]

原圖像來自人臉數(shù)據(jù)集 FFHQ [32]

原圖像來自人臉數(shù)據(jù)集 FFHQ [32] 可以看到，相較于傳統(tǒng)的美顏算法，我們提出的局部修圖框架在去除皮膚瑕疵的同時，充分的保留了皮膚的紋理和質感，實現(xiàn)了精細、智能化的膚質優(yōu)化。進一步，我們將該方法拓展到服飾去皺領域，也實現(xiàn)了不錯的效果，如下：

審核編輯 ：李倩