活动 | 深度学习Meetup演讲速记——深度学习在图像处理中的应用简介

编者按

8月26日的深度学习Meetup现场交流很热烈（活动 | 深度学习Meetup活动概要（内附PPT下载地址）），为了让更多的粉丝了解到交流的内容，近期我们将逐步推出演讲的会议速记，共大家学习和交流。敬请关注！

演讲嘉宾： 周昌阿里巴巴iDST，算法专家，开源软件开发者演讲题目：深度学习在图像处理中的应用简介图像处理领域，关注更多的是底层视觉计算任务，如图像增强、去噪、风格化等。在这个领域中，深度学习最近也发挥了突出的作用，实现了不少常规算法很难达到的功能。这次分享，主要介绍深度学习在这样底层视觉任务上的应用，主要包括超分辨、灰度图上色、2D/3D转换以及目前大热的图像风格化。

以下为演讲正文：

今天的演讲主要是我自己平时的探索和分析，在这里和大家总结分享一下。

深度学习在图像处理方面总的来说可以分为三个部分。第一，增强图像，比如说我们可以把一张标清的图变成高清的图；比如说去燥、去雾，运用深度学习的方法把一张有雾霾效果的图变成没有雾霾效果的图；再比如把一些老旧的黑白图片彩色化；在例如把2D的图像变成3D的效果，这同样也属于增强图像的一种。那么第二，如果增强图像还是不能满足的话，我们就可以修改图像，有时候可以把一张图改的面目全非，你根本认不出它本来的样子。再进一步，第三，我们就无中生有了，那就是生成图像。

1. 图像增强

1.1 超分辨（Super Resolution）
第一，就是图像增强，简单来说就是从图像到图像。第一个方面主要介绍超分辨，也就是把低分辨率的图像转化成高分辨率的图像。用在视频里，就是把标清视频转化成高清视频，通常是2x，其实也可以实现4x，比如我把流畅直接转化成高清。
接下来这个超分辨的算法SRCNN是15年由Chao Dong、Chen Change Loy、Kaiming He和Xiaoou Tang在paper中提出来的，利用神经网络做超分辨，FCN的全卷积网络结构，输入是标准的缩放过的图像，输出是原始高分辨率的图像。我们就可以通过这个网络训练出这样的效果。

之后，有个日本人做了一个叫做waifu2x的开源软件，广泛被二次元的这些视频应用，把原始的视频转化成高清的视频。

下图的这个是云上的服务，也是通过标清转高清视频重置，把原来1200x720的视频转化成了1800x1080的视频，当然不是只有超分辨这一种技术，还有很多其他技术一起。那这就说明，这样的转化效果是有需求的，大量的老旧的视频都需要这种技术来提升。

1.2灰度图彩色化

接下来来看图像增强的第二个方面，灰度图彩色化。这里的算法是基于CNN实现，下面有个链接，里面有网络的结构。我利用这个方法做了简单的实验，结果就是左图中的效果。总的来说还是有一定效果的。

再下来这个图是基于GAN实现的算法，可以看出它对于风景画的效果是很不错的。

1.3 2D到3D的转换

那么增强图像的第三部分是2D到3D的转换。利用已有的3D电影，训练一个网络，输入单一视角的图像，生成另外一个视角的图像。例如我输入左视图的图像，然后生成一个右视图的图像，这也是很有趣的一个应用的点。 

同样的，核心都是卷积网络，包含高层的语义信息，通过特殊网络的改造实现。这里有一个Deep3D的算法，在这里就不深究。我这里也有做好的效果，可以参考下面这张PPT。其实，如果你真的只利用这个算法来做一部电影，出来的效果一定让你很头痛，但这是一个启发，我们可以运用这种方法再加上一些人工的修复方法，就可以大大加速2D电影制作成3D的进程。就像之前泰坦尼克号制作成3D上映，通过这个技术就可以使其中转换的人力资本大大降低。

1.4 图像改善

然后来看下画面改善的功能，比如去噪声、去马赛克和去雾等。当图像质量很差的时候，把图像往卷积网络中一放，就可以很大的改善画面质量。这与前面的思路一致，都是图像到图像的应用。

参考汤晓鸥的论文，Compression Arttifacts Reduction by a Deep Convolutional Network,论文中的算法相比于CNN做了修改。图像修改效果非常明显，包括背景的噪声等。对于翻录的电影电视剧等，非常符合这个效果的应用。

1.5小结

前面讲了4种应用，都是图像到图像的，还有一些非常好玩的应用。比如25帧的视频通过插帧的方式到60帧的视频，可以很大地提升视频质量。这方式基本都是依靠于卷积网络，将高维特征转化成低纬度特征，实现复杂的非线性变化。而且这个图像到图像的应用成本较低，不需要去标记，谁都可以尝试去做。比如说现在的手机视频去抖动，很多都是硬件去完成的，而现在软件也可以有所提升。还有之前所说的频率转化，这也是一个非常专业的领域。 

2. 图像修改 图像修改是目前最热门的NeuralStyle、Prisma（app）利用深度学习的方向，即从一个图像到另一个图像。
2.1 A Neural Algorithm of Artistic Style
效果最好的由德国人在2015年8月份做出，

实现方法为：

左侧分别为Content image和Style image，Style image过卷积网络形成一定

response，reconstruction过程通过一定可视化手段实现，处理过程中并不能看到这样的效果。作者设计了一个很巧妙函数，在卷积网络前几层中保持input图面原来的样子，在最后几层学习成Style image的样子。

算法关键是Gram矩阵的应用，消除了分辨率差异，融合了全局风格。（详细内容可参见论文）以下为neural style的开源完整实现，由李飞飞的在读博士生完成。

2.2 Texture Networks

（ref: https://github.com/DmitryUlyanov/texture_nets）

这个方法最大的毛病是需要多次迭代，1000-2000次左右，后来有人想为何不直接做一个网络，从Input到Output直接拿到结果，而这正是著名的Texture Networks: Feed-forward Synthesis of Textures and Stylized Images 。算法由一位俄罗斯小哥实现，据推测Prisma APP 最有可能来自这个算法。

与德国人的算法相比，Prisma的实现效果较为局域性，纹理较浅，很难学出很深的效果。两种方法的区别在于，第二种是训练以后直接生成的方法。这些方法已经比传统基于Photoshop等方法要实际很多，这也是Prisma引爆朋友圈的原因。

（Prisma效果）
 

2.3 利用位置信息的方法

除了以上两种方法，有人想能否依据图像的近似之处？

上图左右两张图为相同尺寸，都有眼睛、鼻子、脸，既然如此那能否基于像素位置进行定位？之前的方法都是全局的，这种方法是在函数或feature map里面定位信息，即两图眼睛与眼睛，鼻子与鼻子的风格尽量接近，得出效果不是纹理上整体的相似，因为处理过程考虑了位置信息。眼睛学习眼睛位置的风格，而不是头发的风格。由于要计算MIF，这个方法非常慢，好的一点是MIF的匹配是半交互的。效果特殊也是这一方法的好玩之处。

下面着这张图是我根据第三种方法自己实现的，这个效果Prisma无法实现。应用位置信息，加上人工的半交互，我认为可以做出比Prisma更酷的app。 

2.4小结

这里介绍了三种图像修改的思路。第一种方法是通过BP操作，修改原图，迭代过程很慢，但好处是不需要任何模型，只需要选定风格，无需预先训练，即用户可指定Style image，Prisma显然无法做到国画或者固定肖像的分格。第二种类Prisma方法，直接设计一个前向网络。第三种方法则利用图像位置信息且可交互，目前还没有app实现。

3. 图像生成
第三部分是更为神奇的图像生成领域。
3.1 CPPN ( Compositional Pattern Producing Network )

（Ref: http://zhouchang.info/blog/2016 -04 -08/simple -cppn.html）
 第一种神经网络很不起眼。随机输入一个向量Z，二维三维任意；在输入x、y和半径r，最终输出一个值C。输出值为图像灰度，如果是彩色就输出是三个值。换而言之，输入坐标，输出坐标对应像素的值。假设我们采用一个简单网络，随机化其参数，x、y、r从坐上到右下依次生成像素值，并拼成一幅画，或产生怎样的效果？

不同随机会生成不同效果，非常神奇。如果变换Z向量，将生成的图像逐帧播放，会产生更加神奇的动画效果。

3.2 Deep Dream

（ref: https://research.googleblog.com/2015/06/inceptionism-goingdeeper-into-neural.html）
第二种方法是Google做出的，首先有一个风格图目标，在feature map上随机制定若干神经元，通过修改原图得到很多梦幻效果，也是一个很好玩的效果。 3.3 VAE

（ref:  http://blog.otoro.net/2016/04/01/generating-large-images-fromlatent-vectors/）
第三种方法是用VAE（变分自编码器）生成图像,与CPPN有相似之处。输入数据，得到指定分布的采样，即所谓变分法。训练好网络之后，经过各种各样的采样，可以生成期没有见过的图像。通俗的讲，看了10万只猫，画出与这十万只猫不同的猫的图像。这是一种典型的Unsupervised Learning，即看了一大堆样本，将其分布映射到某几个指定纬度，通过分布上的采样生成新的采样。

3.4 DCGANDCGAN是通过对抗训练来生成图像，这里引入了Deep Convolutional网络(ref:  https://github.com/Newmu/dcgan_code).

(Ref: http://bamos.github.io/2016/08/09/deep -completion/)效果是这样的:眼镜的图像-人脸+女人效果，即将眼镜效果加到女人照片上。 

下面这些图是根据算法生成的CD封面，生成模型都是一个意思，训练了很多样本，无论通过何种建模方法，生成未见过的图像。

4. 展望

大量实践表明，不论PS还是美工，实际上都是“非常体力的重复劳动”，运用深度学习的方法，无论是图像增强、修改还是生成，一定有办法加快并智能化图像处理过程，这是非常有意义的事。

进一步而言，未来甚至有可能实现可计算艺术创作，艺术创作需要灵感，但我认为是可计算的。前面介绍了多种方法，生成也好，变换也好，很多都可以达到艺术的质感。

新的模型新的方法新的应用不断涌现，但哪些能存活下来，还不得而知。（演讲内容到此结束）

活动回顾：活动 | 深度学习Meetup活动概要（内附PPT下载地址）活动速记1：活动 | 深度学习Meetup演讲速记——基于深度学习的文本语义分析
活动速记2：活动 | 深度学习Meetup演讲速记——使用 CUDA 加速R的应用

活动速记3：活动 | [修订版]深度学习Meetup演讲速记——Deep Learning for Recommender Systems

回复关键字，获取更多资讯简介 | 产品 | 技术 | 案例集 | 培训 | 白话大数据评测 | 投资 | 新手上路 | Holodesk | TED视频金融 | 电力 | 视频监控 | 运营商 |交通 税务 | 电商 | 医疗 | 快递