Towards Robust Blind Face Restoration with Codebook Lookup Transformer(NeurIPS 2022)

这篇论文试图解决的是盲目面部恢复（blind face restoration）问题，这是一个高度不确定的任务，通常需要辅助指导来改善从低质量（LQ）输入到高质量（HQ）输出的映射，或者补充输入中丢失的高质量细节。具体来说，论文关注以下几个关键问题：

• 如何在不知道具体退化过程的情况下（即盲目恢复），从严重退化的输入图像中恢复出高质量的面部图像。

• 如何减少恢复映射的不确定性和模糊性，特别是在输入图像质量较低时。

• 如何在保持高保真度的同时，生成具有丰富视觉细节的高质量面部图像。

为了解决这些问题，论文提出了一种基于Transformer的预测网络，名为CodeFormer，它利用在一个小的代理空间中学习的离散码本（codebook）先验，将盲目面部恢复任务转化为码预测任务。这种方法旨在通过全局建模低质量面部的组成和上下文，发现与目标面部紧密近似的自然面部，即使输入图像严重退化。此外，为了增强对不同退化类型的适应性，论文还提出了一个可控的特征转换模块，允许在保真度和质量之间进行灵活的权衡。

本文的主要方法如下:

<li>在高质量的数据集上训练一个VQVAE,得到一个具有清晰视觉细节的Decoder、CodeBook和Encoder
1. 在低质量数据集上微调Encoder,并且在Encoder到CodeBook直接插入一个Transformer,用作LQ的Embdedding到HQ的Embedding的映射,因为空间是离散的,相当于一个分类预测任务了.注意transformer和Encoder是一起训练的.
2. 一个CFT的short-cut来控制quality和fidelity之间的权衡.为什么这个CFT能控制,因为从encoder可通过short-cut传入的Embedding是能包含更多的信息,因此保真度(fidelity)更好,但是embedding的从LQ提取的,因此quality会变差.

上图给出了为什么使用VQVQE,因为VAE输出的Embedding是连续的,包含的潜空间太大,而VQVAE可以看作聚类,从LQ->HQ的映射,为了保证图像质量,我们希望这个映射空间较小,从而更可能生成高质量的图像.,更有利于模型学习.

CodeFormer也可以用于图像编辑之类的.

<li>做超分可以借鉴一下上述的pipeline
1. 对于VQVAE、连续空间和离散空间的理解:连续空间包含更多信息,但是也会引入噪声;离散空间通过缩小映射空间从而过滤一下噪声.