基于光流的视频插帧算法 TOFlow 解读教程

在之前的文章中，我们介绍了基于深度学习的视频插帧。视频插帧旨在提高视频的帧率和流畅度，让视频看起来更加“丝滑”。

OpenMMLab：一键慢镜头：视频插帧，让老电影“纵享丝滑”13 赞同 · 2 评论文章正在上传…重新上传取消

基于深度学习的视频插帧算法可分为以下几类：

其中基于 Flow 的算法通过确定连续帧中相应实体之间流的性质，合成中间图像，以提高生成的视频质量。基于 Flow 的算法包括光流、路径选择、运动补偿，依赖于精确的运动估计技术，相比其他方法能够获取更佳的插帧效果。

今天我们就以 TOFlow (Video Enhancement with Task-Oriented Flow) 为例介绍基于光流的视频插帧算法以及其在 MMEditing 中的实现。

TOFlow 的贡献

光流算法的目标是让扭曲后的图像和目标图像一致。但这种精确的光流估计前提是假设亮度一致，在变化的光照、姿势等具有挑战性的情况下，光流图的估计并不准确，导致目标边界模糊。此外，这种符合物体运动变化的图像光流估计并不适用于所有的视频处理任务。下图中，虽然 EpicFlow (Revaud et al 2015) 预测了目标的精准光流信息，但光流场中的细小误差会导致插帧结果中的伪影，例如（I-c）中模糊的手指。在视频去噪任务中，EpicFlow 预测了准确的光流但是去噪结果中依然包含噪声。

因此 TOFlow 提出将预训练的光流模块和后续处理联合训练，去学习适用于特定任务的光流特征表达。该模型使用基于光流的方法实现了视频插帧、视频去噪和视频超分辨率三个任务，计算量小且处理效果达到最优水平（例如上图 I-e 和 II-e）。

MMEditing 过往版本支持 TOFlow 视频超分辨率算法的推理，v0.14.0 版本新增了 TOFlow 视频插帧算法的训练与推理。

TOFlow 模型结构

TOFlow 模型结构包含三个部分：

Flow Estimation 光流估计
Transformation 光流变换
Image Processing 图像处理

分别对应着下图中的三个阶段。在视频插帧任务中，输入的帧数 N=3；去噪和超分任务中，输入的帧数 N=7。

Flow Estimation

Flow Estimation 模块以预训练的 SPyNet 为 backbone，有 N-1 个结构相同、参数共享的 SPyNet 光流网络。值得注意的是，SPyNet 官方模型不包含 BN 结构，TOFlow 论文使用的 SPyNet 模型增加了 BN 结构。由于 TOFlow 的 batch_size 为 1，MMEditing 复现的模型中采用 SPyNet 官方模型，不包含 BN。
在视频插帧任务中，reference frame 是需要生成的帧，因此不包含在输入中，模型不包括上图中灰色区域。在插帧任务中，TOFlow 网络使用 SPyNet 处理 frame1 和 frame 3 以获取 $I_{f_1\rightarrow f_3}$ $I_{f_3\rightarrow f_1}$ 和。

Transformation

借助 Flow Estimation 模块预测出的光流场，transformation 模块使用 `flow_warp` 函数（对应上图中的 STN）将输入帧 register 到参考帧。在视频插帧任务中，该部分获取 frame 1 和 frame 3 到 frame 2 的映射：
$I_{f_1\rightarrow f_2} = I_{f_1\rightarrow f_3} * 0.5$

$I_{f_3\rightarrow f_2} = I_{f_3\rightarrow f_1} * 0.5$

Image Processing

Image Processing 模块使用 ResNet 结构，将 Transformation 模块获取到的映射图像加工成最终的插帧结果。

Vimeo90k-triplet 数据集

Video Enhancement with Task-Oriented Flow 论文中提出 TOFlow 模型的同时提供了 Vimeo90k 数据集，其中 Vimeo90k-triplet 为用于插帧的数据集，每个场景包含 3 张图片，使用 im1.png 和 im3.png 求解得到 im2.png。MMEditing 中已支持 Vimeo90k-triplet 数据集。

训练集数据量：51.3k
测试集数据量：3.8k
tri_testlist.txt / tri_trainlist.txt 标注结构：

00001/0001
00001/0002

数据集的文件结构如下所示：


├── tri_testlist.txt 
├── tri_trainlist.txt 
├── sequences 
│   ├── 00001 
│   │   ├── 0001 
│   │   │   ├── im1.png 
│   │   │   ├── im2.png 
│   │   │   └── im3.png 
│   │   ├── 0002 
│   │   ├── 0003 
│   │   ├── ... 
│   ├── 00002 
│   ├── ...

MMEditing 中的 TOFlow

TOFlow 基于预训练的 SPyNet，根据预训练 SPyNet 的训练数据，MMEditing 提供了以下 5 个模型：

Method	PSNR / SSIM
tof_vfi_spynet_chair_nobn_1xb1_vimeo90k	33.3294 / 0.9465
tof_vfi_spynet_kitti_nobn_1xb1_vimeo90k	33.3339 / 0.9466
tof_vfi_spynet_sintel_clean_nobn_1xb1_vimeo90k	33.3170 / 0.9464
tof_vfi_spynet_sintel_final_nobn_1xb1_vimeo90k	33.3237 / 0.9465
tof_vfi_spynet_pytoflow_nobn_1xb1_vimeo90k	33.3426 / 0.9467

本文以 tof_vfi_spynet_chair_nobn_1xb1_vimeo90k 为例介绍 MMEditing 中的 TOFlow。

其中 tof_vfi 是模型名称，spynet_chair_nobn 表示使用 chair 数据集预训练的无 BN 结构的 SPyNet 模型，1xb1 代表模型在单卡上训练，每张卡上 batch_size=1，vimeo90k 表示训练数据集是 vimeo90k-triplet。

定义 Model 和 Backbone

训练时需要导入预训练的 SPyNet 参数，如下面代码所示：


# pretrained SPyNet 
source = 'https://download.openmmlab.com/mmediting/video_interpolators/toflow' 
spynet_file = 'pretrained_spynet_chair_20220321-4d82e91b.pth' 
load_pretrained_spynet = f'{source}/{spynet_file}' 
 
# model settings 
model = dict( 
    type='BasicInterpolator', 
    generator=dict( 
        type='TOFlowVFI', 
        rgb_mean=[0.485, 0.456, 0.406], 
        rgb_std=[0.229, 0.224, 0.225], 
        flow_cfg=dict(norm_cfg=None, pretrained=load_pretrained_spynet)), 
    pixel_loss=dict(type='CharbonnierLoss', loss_weight=1.0, reduction='mean')) 
# model training and testing settings 
train_cfg = None 
test_cfg = dict(metrics=['PSNR', 'SSIM'], crop_border=0)

定义数据处理 pipeline

TOFlow 未进行数据增广处理，因此测试、验证的 pipeline 与训练 pipeline 相同，如下面代码所示：


train_pipeline = [ 
    dict( 
        type='LoadImageFromFileList', 
        io_backend='disk', 
        key='inputs', 
        channel_order='rgb', 
        backend='pillow'), 
    dict( 
        type='LoadImageFromFile', 
        io_backend='disk', 
        key='target', 
        channel_order='rgb', 
        backend='pillow'), 
    dict(type='RescaleToZeroOne', keys=['inputs', 'target']), 
    dict(type='FramesToTensor', keys=['inputs']), 
    dict(type='ImageToTensor', keys=['target']), 
    dict( 
        type='Collect', 
        keys=['inputs', 'target'], 
        meta_keys=['inputs_path', 'target_path', 'key']) 
] 
 
Demo pipeline 则为训练 pipeline 剔除 `target` 相关关键词的结果： 
demo_pipeline = [ 
    dict( 
        type='LoadImageFromFileList', 
        io_backend='disk', 
        key='inputs', 
        channel_order='rgb', 
        backend='pillow'), 
    dict(type='RescaleToZeroOne', keys=['inputs']), 
    dict(type='FramesToTensor', keys=['inputs']), 
    dict(type='Collect', keys=['inputs'], meta_keys=['inputs_path', 'key']) 
]

定义训练和测试配置

如下面代码所示：


root_dir = 'data/vimeo_triplet' 
data = dict( 
    workers_per_gpu=1, 
    train_dataloader=dict(samples_per_gpu=1, drop_last=True),  # 1 gpu 
    val_dataloader=dict(samples_per_gpu=1), 
    test_dataloader=dict(samples_per_gpu=1), 
 
    # train 
    train=dict( 
        type='RepeatDataset', 
        times=1000, 
        dataset=dict( 
            type=train_dataset_type, 
            folder=f'{root_dir}/sequences', 
            ann_file=f'{root_dir}/tri_trainlist.txt', 
            pipeline=train_pipeline, 
            test_mode=False)), 
    # val 
    val=dict( 
        type=train_dataset_type, 
        folder=f'{root_dir}/sequences', 
        ann_file=f'{root_dir}/tri_validlist.txt', 
        pipeline=train_pipeline, 
        test_mode=True), 
    # test 
    test=dict( 
        type=train_dataset_type, 
        folder=f'{root_dir}/sequences', 
        ann_file=f'{root_dir}/tri_testlist.txt', 
        pipeline=train_pipeline, 
        test_mode=True), 
)

其中 tri_validlist.txt 来源于 tri_testlist.txt，为 tri_testlist.txt 中匹配 00001/* 的 42 条数据。RepeatDataset 对训练集文件列表进行了复制，从而扩充训练数据。

定义优化器、学习策略和 Hook

如下面代码所示：


# optimizer 
optimizers = dict( 
    generator=dict(type='Adam', lr=5e-5, betas=(0.9, 0.99), weight_decay=1e-4)) 
 
# learning policy 
total_iters = 1000000 
lr_config = dict( 
    policy='Step', 
    by_epoch=False, 
    gamma=0.5, 
    step=[200000, 400000, 600000, 800000]) 
 
checkpoint_config = dict(interval=5000, save_optimizer=True, by_epoch=False) 
evaluation = dict(interval=5000, save_image=True) 
log_config = dict( 
    interval=100, hooks=[ 
        dict(type='TextLoggerHook', by_epoch=False), 
    ]) 
visual_config = None

结语

MMEditing 是面向底层视觉任务的工具包，经过社区开发者的不懈努力，MMEditing 已经支持了大量先进的超分辨率模型，可以将视频和图像从低分辨率无损放大到高分辨率。同时，MMEditing 也提供了 TOFlow、CAIN 等视频插帧算法，我们的模块化设计可以让大家方便地增加或减少各种 pipeline。欢迎大家来体验，享受一下高帧率的快感。

https://github.com/open-mmlab/mmeditinggithub.com/open-mmlab/mmediting

相关阅读:
zabbix分布式
 avue 字典联动 cascader、cascaderItem
图文并茂——队列的实现，C语言实现
 【问道】编译原理
 矢量网络分析仪KC901S测试
 基于JAVA的校园二手交易网站的设计与实现参考【数据库设计、源码、开题报告】
C++面试题精选-2024/06/26
数据结构八大排序Java源码
 踩坑:Invalid character found in method name. HTTP method names must be tokens
GPT-4和DALL·E 3彻底懵逼，这到底是「牛」还是「鲨」
原文地址：https://blog.csdn.net/qq_39967751/article/details/125559162