论文推荐|[ICCV 2019]DewarpNet: 基于2D和3D回归网络的单幅图像文档矫正方法(有源码)

本文简要介绍ICCV2019 论文“DewarpNet: Single-Image Document Unwarping With Stacked 3D and 2D Regression Networks”的主要工作。该论文主要针对手持设备拍摄文档图像时，存在纸张含有物理形变、相机拍摄角度和光照条件多变的问题提出矫正方法。作者先通过对形变纸张进行3维信息的采集，再将平整文档图像渲染到形变的纸张图像上，得到了形变的文档图像。形变的文档图像作为输入，纸张的3维信息、渲染过程的逆变换、平整文档图像共同作为Ground-truth，构成了含有丰富标注信息的数据集Doc3D。作者利用这些标注信息训练一个深度学习模型DewarpNet，在不需要额外硬件和多角度图像的情况下对该类文档图像进行矫正，可以得到接近平面扫描仪的效果，处理后的图像可以显著提高OCR性能。最终取得了State-of-the-art的结果。

图1 本文方法效果图

一、研究背景

纸质文档在我们生活中十分重要且常见，上面具有丰富的信息。而数字文档则易于存储、传播以及检索。如今移动摄像头拍摄文档图像是方便且常见的文档数字化方法，但得到的图像由于纸张的物理形变、相机拍摄角度和光照条件多变的原因，不利于自动化信息提取和内容分析。有的研究通过低维的模型来对文档的形变进行建模，这是较难实现的；还有的研究直接假定一个网格（Mesh）对形变图像进行表征，然后直接预测网格上每个顶点对应于输出图像的位置，但很多都需要额外的硬件设备或多角度图像，而且计算量大且费时。近期的研究[1]中虽然提出了更快的方法，但由于训练数据只包含2维形变信息，所以对真实图片测试效果不鲁棒。

二、方法原理简述

图2 数据采集流程

图2是文章提出的数据采集方法的流程，主要分为I和II两个阶段。在I阶段，作者利用一个工作台，得到真实纸张的Depth Map，工作台关键部件有深感相机（用于拍摄纸张的深度图）、针浮雕系统（Pin Relief System，含有64个独立的针，可以改变纸张不同位置的高度，实现多种形变并保持）。有了Depth Map后，通过相机的参数可以直接计算得到Point Cloud。计算点云时作者对同一图拍了6张并取平均以减少零均值噪声（Zero-mean Noise），同时用一些算法对点云进行平滑处理。之后用球旋转算法（Ball Pivoting Algorithm）[3]得到网格，下采样为100x100大小。为网格中每个顶点指定UV坐标，便于后续渲染。之后还对网格进行了旋转、裁剪（裁剪后插值回100x100）的增广操作。贴图渲染过程中，综合改变贴图内容、角度、光照、背景。最终每张图都可以生成3D Coordinate Map, Depth Map, Normals, UV Map, Albedo Map标注信息。

图3 DewarpNet整体框架图,黑线为训练时数据流向，红线为测试时数据流向，C、B、D分别是3D Coordinate Map、Backward Mapping、Regular Checkerboard Pattern Image的Ground Truth

DewarpNet主要包含两个子网络Shape Network和Texture Mapping Network。前者为一个U-net[4]网络，以原图I∈R^h×w×3作为输入，预测3D Coordinate Map Ĉ∈R^h×w×3（每个像素的值是一个三维向量，代表纸张该点的空间坐标）。后者为由多个DenseNet Block[5]构成，以Ĉ 作为输入，预测Backward Mapping B̂∈R^h×w×2（每个像素的值是一个二维向量，代表I的像素在矫正后图像中的位置），因为该子网络实现了3维坐标到2维坐标的转换，作者使用了在坐标转换任务中能提高泛化能力的Coordinate Convolution (CoordConv)[6]。I^c是I以棋盘图案为贴图内容时生成的图像，模型预测出的B̂作用于I^c得到预测D̂∈R^h×w×3，这一做法的目的是让损失函数L_D（见下文）损失函数不受贴图内容的影响，使得模型对形变相同但贴图内容的不同的图像的矫正参数是相同的，I^c只用在训练过程中。训练的损失函数为，其中，，，分别为C的水平和垂直图像梯度，为超参数。

图4 后处理网络结构

后处理网络对矫正后图像I^d的光照情况进一步优化，提高了视觉质量和OCR性能。网络包含两个U-net网络，一个U-net以原图I作为输入，预测Surface Norm N̂∈R^h×w×3。N̂矫正后得到N̂^d。另一个U-net以I^d和N̂^d作为输入，预测Shading Map Ŝ∈R^h×w×3（表征了图像的光照情况和颜色），利用I^d和Ŝ可运算得到去阴影的图像Â（具体计算过程可见论文的补充材料）。

三、主要实验结果及可视化结果

表1 在整个Benchmark[1]上的评估结果 

图5 在Benchmark[1]上不同类中的定量评估结果 

表2 矫正后图像的OCR结果 

图6 DewarpNet与DocUNet的定性比较。红色虚线展示了文档上的结构变化。

图7 DewarpNet与[2]的定性比较

图8 DewarpNet的鲁棒性。前两行展示了对不同光照方向的鲁棒性；后两行展示了对于不同拍摄角度的鲁棒性。

表1中DocUNet和DocUNet on Doc3D 分别代表DocUNet在原数据集和在Doc3D上训练出来的模型；DewarpNet和DewarpNet (ref)分别代表不包含和包含后处理。可以看到本文模型在该Benchmark[1]下的MM-SSIM 和 LD指标都取得了State‑of‑the‑art的结果，同时也证明了数据集Doc3D的有效性。为进一步探究，作者把[1]的Benchmark按照难度分为了a~f 6类，由a到f，难度依次增加，结果展示在图5中。前5类中本文模型都优于DocUNet，最难的f中本文模型取得了与DocUNet相近和稍好一点结果。

四、总结及讨论

• 提出了一个新颖的DewarpNet网络，通过对纸张3维结构的显式建模，训练出来的模型对不同的文档内容、光照、背景等都有很好的鲁棒性，取得了state-of-the-art的结果。
• 提出了一个新的含有丰富标注信息（2D和3D）的数据集Doc3D，以及其采集方法。
• 不足：1、深度相机精度不足导致对一些纸张复杂的细节处的建模不够好。2、模型对遮挡十分敏感，遮挡会导致结果性能的下降。 

五、相关资源

• DewarpNet: Single-Image Document Unwarping With Stacked 3Dand 2D Regression Networks论文、论文补充材料、代码、DewarpNetdemo、Doc3D数据集下载地址:
• https://sagniklp.github.io/dewarpnet-webpage/
• DocUNet[1]中的benchmark下载地址：
• https://www3.cs.stonybrook.edu/~cvl/docunet.html

参考文献

[1] Ke Ma, Zhixin Shu, Xue Bai, Jue Wang, and Dimitris Samaras. DocUNet: Document Image Unwarping via A Stacked U-Net. In Proc. CVPR.IEEE, 2018.

[2] Shaodi You, Yasuyuki Matsushita, Sudipta Sinha,Yusuke Bou, and Katsushi Ikeuchi. Multiview Rectification of Folded Documents.IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017.

[3] Fausto Bernardini, Joshua Mittleman, Holly Rushmeier, Cl´ audio Silva, and Gabriel Taubin. The ball-pivoting algorithm forsurface reconstruction. IEEE Transactions on Visualization and Computer Graphics, 5(4):349–359, 1999.

[4] Olaf Ronneberger, Philipp Fischer, and Thomas Brox.U-net: Convolutional networks for biomedical image segmentation. In Proc.MICCAI. Springer, 2015.

[5] Gao Huang, Zhuang Liu, Laurens Van Der Maaten, and Kilian Q Weinberger. Densely connected convolutional networks. In Proc. CVPR,number 2, 2017.

[6] Zhengqin Li, Kalyan Sunkavalli, and Manmohan Chandraker. Materials for Masses: SVBRDF Acquisition witha Single Mobile Phone Image. In Proc. ECCV, 2018.

---

原文作者：Sagnik Das, Ke Ma, Zhixin Shu, Dimitris Samaras, Roy Shilkrot

撰稿：张家鑫

编排：高 学

审校：连宙辉

发布：金连文

免责声明：（1）本文仅代表撰稿者观点，个人理解及总结不一定准确及全面，论文完整思想及论点应以原论文为准。（2）本文观点不代表本公众号立场。 

▼

往期精彩内容回顾

▼

征稿启事：本公众号将不定期介绍文档图像分析与识别及相关领域的论文、数据集、代码等成果，欢迎自荐或推荐相关领域最新论文/代码/数据集等成果给本公众号审阅编排后发布。

(扫描识别如上二维码加关注）