图1.MAXIM主干网络示意图。

目录

一. 简介

二. 多轴MLP

三. 交叉结构MLP

四. 实验结果

五. 总结

Reference

一. 简介

随着Transformer和多层感知机技术的普及，一些过去难以解决的计算机视觉问题，能够被处理，并在实际的应用中加以使用。但是，这里仍然存在一些挑战，包括：对高分辨率图像的兼容性较差；对局部注意力缺乏有效的处理方法。今天，我们来介绍一篇CVPR2022Oral论文，即多轴MLP结构（MAXIM）[1]，以解决上述问题。MAXIM构建一个多轴MLP的网络结构，作为一个新的主网络的骨架，用于解决一般性视觉任务。该结构使用了一个类UNet的多层级联并支持长距离交互。具体来说，MAXIM包含两个基于MLP的blocks：一个多轴控制MLP，用于提供高效的局部全局混合视觉线索；一个交叉控制block，用于替换用于交叉特征调整的交叉注意力机制。上面的两个模块都是基于MLP，也继承了全连接层的优点，因此对于图像处理任务具有不错的优势。实验证明，相比目前已经存在的主干网络，MAXIM对于一般的视觉任务均有不错的性能，包括去噪，去模糊，以及其他图像增强任务。总结，MAXIM提出了多轴结构MLP和交叉结构MLP以构建自身的主干网络结构，以平衡全局与局部特征的关系，并解决高分辨率图片的处理问题。

---

二. 多轴MLP

多轴(Multi-axis)MLP结构用于同时捕获局部和全局的交互，通过为每个branch混合在每个轴上的信息，使得基于MLP的操作变成了一个全连接的结构，在尺度上与图像的size线性相关。这明显的增加了该结构的灵活性，以便于处理高分辨率图片。该想法受到工作[2]的启发，在两个轴上计算注意力。在两个轴上的注意力关联于稀疏的两种自注意力形式，取名为区域性和扩张性注意力。尽管该结构能够同时捕获全局与局部的信息，它对于图像的尺寸是敏感的。

 图2.多轴MLP结构。

MAXIM重新设计了多轴结构MLP用于解决该问题。通过构建一个多轴门控MLP块来实现该目标，其结构如图2所示。相比于工作[2]，MAXIM首先将头(这个Head，是将原图shape成一个6*4*C的东西后，切成两个6*4*C/2之后的东西)切成两半，每一个都独立分区。在局部的branch，半个头的特征(H,W,C/2)被封装成一个张量的形状(H/b*W/b,b*b,C/2)，表示分割到一个没有重叠的窗口(b*b)，在全局branch，另一半头被网格化成(d*d,H/d*W/d,C/2)，网格的尺度固定(d*d)，每一个窗口的size为(H/d*W/d)。对于可视化，我们设置b=2，d=2，见图2。为了使得该机构具有全连接功能，MAXIM只在对应branch的单轴上应用gMLP[3]块，第二个轴对应局部的branch，第一个轴对应全局的branch，并且与其他的轴共享参数(这里我理解其他的轴，就是另外一个轴的意思，因为全文安，只有两个轴)。直觉上，并行应用多轴 gMLP 能够对应空间信息的局部和全局(扩张)混合。最后被处理的head被组合，并通过从输入获得的long ship-connection以减少通道数。值得一提的优点是通过处理固定尺寸的图像patch来避免人造patch边界。

这里写点我对多轴MLP结构的阅读感受。虽然基本没看懂实现细节，但是感觉作者是想把全局编码后的多层表示切成两个部分来分别做MLP，一个专注做局部特征的学习，一个做全局特征的学习。这样做的好处是，由于是从一个head切成的两个部分，使得两部分本身就保持了内部的关联。然后对每一个部分独立做计算，使得能够平衡多个任务目标。共享权重是一个符合直觉的设计，使得在融合过程更加自然。

---

三. 交叉结构MLP

对于传统UNet的一个基本的改善方法是使用skip-connections[4]。MAXIM基于该思路，设计了一个cross-gating block(CGB)，作为multi-axis gated MLP block(MAB)的扩展。CGB能够被认为是一个通用的条件层，实现多特征交互。具体来说，让X，Y作为两个输入特征，X_1，Y_1\in R^{H*W*C}作为估计特征由第一个稠密层实现(图1C)。输入的估计被应用于：

σ表示GELU激活[5]，LN是归一化层[6]。W_1和W_2是MLP预测度量。MAB权重由X_2和Y_2计算获得，但会相互作用：

运算符表示逐元素乘法，函数G利用多轴MLP从输入中提取CGB权重：

[.,.]表示融合。(z_1, z_2)是两个独立的分割头，获取自Z的对应通道维度。z表示经过激活项的预测特征x，表示为：

W_3和W_4为空间预测度量应用于第一个和第二个轴上的块或网格特征(具有固定的窗口尺寸，block：b*b；grid：d*d)。最后，MAXIM从输入使用一个残差连接，紧跟着一个输出通道预测，以保留于输入(X_1,Y_1)相同的通道维数。使用预测度量W_7和W_8，表示为：

这里感觉是对两个独立的特征分析做信息交换，直觉上觉得这个东西可以用在图像多帧合成的相关应用，让多帧交叉的应用CGB，可能由不错的效果，当然这是纯瞎想。

之后，MAXIM还应用了一个Multi-Stage Multi-Scale框架，以解决高分辨率图像处理问题。简单说，就是用上下采样对应，建立损失函数，以实现对图片尺度的处理。因为这部分内容并非本文的精髓，这里不再赘述。

---

四. 实验结果

这里展示MAXIM在几个视觉任务中的效果：

 图3.去噪结果对比。  

图4.去模糊结果对比。 

图5.去雨结果对比。  

 图6.去雾结果对比。  

图7.低光增强结果对比。  

---

五. 总结

我对MAXIM的理解是，设计了一个双通道特征处理结构，使得针对同一幅图片，通过编码切成一组特征图，然后一分为二，一部分针对局部优化，一部分针对全局优化。这样做的好处是，由于是从一幅图的特征图里切出来的两个branch，那么就不存在对准问题，使得两个branch天然具有准确的对应关系。之后，针对两个branch做全局与局部的学习，而后做融合，这样的结果更准确。至于其他的内容，基本上是用来提升性能的微调。

---

Reference

[1] Tu Z, Talebi H, Zhang H, et al. Maxim: Multi-axis mlp for image processing[C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022: 5769-5780.

[2] Long Zhao, Zizhao Zhang, Ting Chen, Dimitris N Metaxas, and Han Zhang. Improved transformer for high-resolution gans. arXiv preprint arXiv:2106.07631, 2021. 3.

[3] Hanxiao Liu, Zihang Dai, David R So, and Quoc V Le. Pay attention to mlps. arXiv preprint arXiv:2105.08050, 2021.1, 2, 3, 4, 8.

[4] Ozan Oktay, Jo Schlemper, Loic Le Folgoc, Matthew Lee,Mattias Heinrich, Kazunari Misawa, Kensaku Mori, Steven McDonagh, Nils Y Hammerla, Bernhard Kainz, et al. Attention u-net: Learning where to look for the pancreas. arXiv preprint arXiv:1804.03999, 2018. 3, 4.

[5] Dan Hendrycks and Kevin Gimpel. Gaussian error linear units (gelus). arXiv preprint arXiv:1606.08415, 2016. 4.

[6] Vladimir Bychkovsky, Sylvain Paris, Eric Chan, and Fr´edo Durand. Learning photographic global tonal adjustment with a database of input/output image pairs. In CVPR, pages 97–104. IEEE, 2011. 1, 5, 6, 8.