论文阅读：Learning sRGB-to-Raw-RGB De-rendering with Content-Aware Metadata

论文阅读：Learning sRGB-to-Raw-RGB De-rendering with Content-Aware Metadata

Abstract

大多数的 Camera ISP 会将 RAW 图经过一系列的处理，变成 sRGB 图像，ISP 的处理中很多模块是非线性的操作，这些操作会破坏环境光照的线性关系，这对于一些希望获取环境光照线性关系的 CV 任务来说是不友好的，对于这类任务来说，线性的 RAW-RGB 图像来说更合适，不过，一般的 RAW-RGB 图像的 bit 位都是 12 或者 14 比特的，直接存储 RAW-RGB 图像比较费存储空间。为了解决这个问题，有几个 raw 重建的方法，是通过从 RAW-RGB 图像中提取特定的元数据，并嵌入 sRGB 图像中，这些元数据，最后可以用来参数化一个映射函数，这个映射函数可以将 sRGB 图像重映射回 RAW-RGB 图像。现有的 RAW 重建的方法都是基于简单的采样以及全局映射函数来实现。这篇文章提出了一种联合学习的方式，将采样策略与重建方法进行联合优化，最终得到的采样策略可以基于图像内容自适应地进行采样，从而可以得到更好的 RAW 重建结果。文章也提出了一种在线 fine-tuning 的方式进一步提升重建网络的效果。

De-rendering Framework

文章先对这个 RAW-RGB 图像的重建，进行了一个抽象的表述，假设 $\mathbf{x}$ 与 $\mathbf{y}$ 分别表示 sRGB 图像以及 RAW-RGB 图像，RAW-RGB 图像的重建问题，可以抽象为寻找一个映射函数，使得

$$\mathbf{y}=f(\mathbf{x})$$

对于元数据的这类方法，映射关系通常基于一个小样本的采样来获得：

$$\mathbf{y}=f(\mathbf{x};s_{\mathbf{y}})$$

这类采样，一般是基于事先设定好的规则，比如均匀采样等。这篇文章，希望能同时学习到采样函数以及映射函数，即：

$$\mathbf{y}=f(\mathbf{x};s_{\mathbf{y}}=g(\mathbf{x},\mathbf{y}))$$

其中，$g(\mathbf{x},\mathbf{y})$ 是一个可学习的映射函数。

文章作者将 $f,g$ 用两个 U-Net 的网络进行建模， 并且通过端到端的方式进行训练，在训练阶段，从 RAW-RGB 图像中提取 $k\%$ 的像素点，采样网络输入一张 RAW-RGB 图像以及一张 sRGB 图像，输出一个二值的采样图，被采样点的位置上赋值为 1，为了更有效的计算采样点，采样网络也会学习将 RAW-RGB 图像分成多个超像素区域，每个采样点就从超像素区域通过 max-pooling 获得，而对于重建网络，输入的就是 sRGB 图像，采样的 RAW-RGB 图像点以及采样图，从而恢复出完整的 RAW-RGB 图像。测试阶段，包含两个阶段，第一阶段就是在拍摄的时候，利用采样网络 $g$ 对 RAW-RGB 图像进行采样，同时 ISP 会输出一张 sRGB 图像；然后第二阶段就是需要 RAW-RGB 图像的时候， 通过重建网络 $f$ 进行重建。

基于内容的元数据采样方式，就是想基于图像内容找到最合适的图像采样点。为了实现这个目的，文章作者提出了一种基于 superpixel 的方式，将图像分成若干个 superpixel 区域，然后每个 superpixel 区域进行采样。通过这种方式，可以将 RAW-RGB 图像分成很多个分割区域，每个区域选择最具代表性的采样点。

文章中的采样网络是直接从 RAW-RGB 图像中进行采样，如下图所示，首先将 RAW-RGB 图像分成若干个均匀分布的网格，网络会预测相关分数 $q_c(\mathbf{p})$，表示每个像素 $\mathbf{p}$ 属于网格 $c$ 的概率有多大，为了计算效率， 文章中只选择了一个 9 邻域的网格来计算相关分数。相关性图通过如下的 loss 来学习获得：

$$L_S=\alpha \sum _{\mathbf{p}}{\Vert \mathbf{x}(\mathbf{p})-\hat{\mathbf{x}}(\mathbf{p})\Vert }_2^2+(1-\alpha )\sum _{\mathbf{p}}{\Vert \mathbf{y}(\mathbf{p})-\hat{\mathbf{y}}(\mathbf{p})\Vert }_2^2+\frac{m^2}{S^2}\sum _{\mathbf{p}}{\Vert \mathbf{p}-\hat{\mathbf{p}}\Vert }_2^2\text{\hspace{1em}(1)}$$

其中，$\hat{\mathbf{x}}(\mathbf{p})$ 是 $\mathbf{x}(\mathbf{p})$ 重建之后的 RGB 值，其表达式如下所示：

$${\mathbf{u}}_c=\frac{{\sum }_{\mathbf{p}\in {\mathcal{N}}_c}\mathbf{x}(\mathbf{p})\cdot q_c(\mathbf{p})}{{\sum }_{\mathbf{p}\in {\mathcal{N}}_c}{q}_c(\mathbf{p})},\hat{\mathbf{x}}(\mathbf{p})=\sum _c{\mathbf{u}}_c\cdot q_c(\mathbf{p})\text{\hspace{1em}(2)}$$

其中，${\mathbf{u}}_c$ 表示超像素区域中心的特征向量，${\mathcal{N}}_c$ 表示网格 $c$ 的 9 邻域内的所有像素集合，$\hat{\mathbf{y}}(\mathbf{p}),\mathbf{p}$ 都用类似的方法进行计算，$m和S$ 表示权重参数。如果选择 $\%k$ 的采样点，文章就将整个图像区域分成 $\%k$ 个网格区域，然后每个网格区域选择似然估计最大的像素点作为采样点：

$${\mathbf{p}}_c^{\ast }=\underset{\mathbf{p}\in {\mathcal{N}}_c}{\mathrm{argmax}}{q}_c(\mathbf{p})\text{\hspace{1em}(3)}$$

这些采样点，最后会形成一个二值化化的采样 mask $\mathbf{m}(\mathbf{p})$，然后用这个 mask 与 RAW-RGB 图像相乘，就能得到采样后的 RAW-RGB 值，这些值存下来作为元数据。

介绍完了采样，后面的重建就比较直观，将 RGB 图像 $\mathbf{x}$，采样后的 RAW-RGB 图像值 ${\mathbf{s}}_y$ 以及 mask $\mathbf{m}$ 串起来，一起输入重建网络，重建网络最后预测出一个完整的 RAW-RGB 图像，重建 loss 由下所示：

$$L_R=\sum _{\mathbf{p}}{\Vert \mathbf{y}(\mathbf{p})-\hat{\mathbf{y}}(\mathbf{p})\Vert }_1$$

其中，$\hat{\mathbf{y}}=f(\mathbf{x},{\mathbf{s}}_y,\mathbf{m})$

推理的时候，可以利用在线 finetune 的方式进一步提升重建效果，可以通过只对采样点处的像素进行重建损失的计算：

$$L_O=\sum _{\mathbf{p}}\mathbf{m}(\mathbf{p}){\Vert \mathbf{y}(\mathbf{p})-\hat{\mathbf{y}}(\mathbf{p})\Vert }_1$$

文章中还利用了元学习的策略，进一步提升推理时候的重建效果：

$$L_M=\sum _{\mathbf{p}}{\Vert {\tilde{\mathbf{y}}}_{{\theta }^{\prime }}(\mathbf{p})-\hat{\mathbf{y}}(\mathbf{p})\Vert }_1$$

最终的训练loss 是这几种 loss 的加权：

$$L_{Total}=L_R+{\lambda }_S{L}_S+{\lambda }_M{L}_M$$