Swin2SR
概述
Swin2SR 模型在 Marcos V. Conde、Ui-Jin Choi、Maxime Burchi 和 Radu Timofte 的论文 Swin2SR: 用于压缩图像超分辨率和恢复的 SwinV2 变换器 中提出。Swin2SR 通过整合 Swin 变换器 v2 层来改进 SwinIR 模型,从而缓解了训练不稳定、预训练和微调之间分辨率差距以及对数据依赖性等问题。
论文的摘要如下:
压缩在通过带宽受限系统(例如流媒体服务、虚拟现实或电子游戏)高效传输和存储图像和视频方面发挥着重要作用。然而,压缩不可避免地会导致伪影和原始信息的丢失,这可能会严重降低视觉质量。出于这些原因,压缩图像的质量增强已成为一个热门的研究课题。虽然大多数最先进的图像恢复方法都基于卷积神经网络,但其他基于变换器的方法,例如 SwinIR,在这些任务上表现出了令人印象深刻的性能。在本文中,我们探索了新颖的 Swin 变换器 V2,以改进 SwinIR 用于图像超分辨率,特别是压缩输入场景。使用这种方法,我们可以解决训练变换器视觉模型的主要问题,例如训练不稳定性、预训练和微调之间分辨率差距以及对数据依赖性。我们对三个代表性任务进行了实验:JPEG 压缩伪影去除、图像超分辨率(经典和轻量级)以及压缩图像超分辨率。实验结果表明,我们的方法 Swin2SR 可以提高 SwinIR 的训练收敛性和性能,并且是“2022 年 AIM 压缩图像和视频超分辨率挑战赛”的五强解决方案之一。
Swin2SR 架构。摘自 原始论文。该模型由 nielsr 贡献。原始代码可以在这里找到 这里。
资源
Swin2SR 的演示笔记本可以在这里找到 这里。
使用 SwinSR 进行图像超分辨率的演示空间可以在这里找到 这里。
Swin2SRImageProcessor
类 transformers.Swin2SRImageProcessor
< 源代码 >( do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_pad: bool = True pad_size: int = 8 **kwargs )
构建 Swin2SR 图像处理器。
preprocess
< 源代码 >( images: Union do_rescale: Optional = None rescale_factor: Optional = None do_pad: Optional = None pad_size: Optional = None return_tensors: Union = None data_format: Union = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None )
参数
- images (
ImageInput
) — 要预处理的图像。需要单个或批量的图像,像素值范围为 0 到 255。如果传入像素值介于 0 和 1 之间的图像,请设置do_rescale=False
。 - do_rescale (
bool
, 可选, 默认为self.do_rescale
) — 是否将图像值重新缩放至 [0 - 1] 之间。 - rescale_factor (
float
,可选,默认为self.rescale_factor
) — 如果do_rescale
设置为True
,则用于重新缩放图像的缩放因子。 - do_pad (
bool
,可选,默认为True
) — 是否对图像进行填充,以使高度和宽度可以被window_size
整除。 - pad_size (
int
,可选,默认为 32) — 用于局部注意力滑动窗口的大小。 - return_tensors (
str
或TensorType
,可选) — 要返回的张量类型。可以是以下之一:- 未设置:返回
np.ndarray
列表。 TensorType.TENSORFLOW
或'tf'
:返回tf.Tensor
批次。TensorType.PYTORCH
或'pt'
:返回torch.Tensor
批次。TensorType.NUMPY
或'np'
:返回np.ndarray
批次。TensorType.JAX
或'jax'
:返回jax.numpy.ndarray
批次。
- 未设置:返回
- data_format (
ChannelDimension
或str
,可选,默认为ChannelDimension.FIRST
) — 输出图像的通道维度格式。可以是以下之一:"channels_first"
或ChannelDimension.FIRST
:图像格式为 (num_channels, height, width)。"channels_last"
或ChannelDimension.LAST
:图像格式为 (height, width, num_channels)。- 未设置:使用输入图像的通道维度格式。
- input_data_format (
ChannelDimension
或str
,可选) — 输入图像的通道维度格式。如果未设置,则从输入图像推断通道维度格式。可以是以下之一:"channels_first"
或ChannelDimension.FIRST
:图像格式为 (num_channels, height, width)。"channels_last"
或ChannelDimension.LAST
:图像格式为 (height, width, num_channels)。"none"
或ChannelDimension.NONE
:图像格式为 (height, width)。
预处理图像或图像批次。
Swin2SRConfig
class transformers.Swin2SRConfig
< 源代码 >( image_size = 64 patch_size = 1 num_channels = 3 num_channels_out = None embed_dim = 180 depths = [6, 6, 6, 6, 6, 6] num_heads = [6, 6, 6, 6, 6, 6] window_size = 8 mlp_ratio = 2.0 qkv_bias = True hidden_dropout_prob = 0.0 attention_probs_dropout_prob = 0.0 drop_path_rate = 0.1 hidden_act = 'gelu' use_absolute_embeddings = False initializer_range = 0.02 layer_norm_eps = 1e-05 upscale = 2 img_range = 1.0 resi_connection = '1conv' upsampler = 'pixelshuffle' **kwargs )
参数
- image_size (
int
, 可选, 默认为 64) — 每个图像的大小(分辨率)。 - patch_size (
int
, 可选, 默认为 1) — 每个补丁的大小(分辨率)。 - num_channels (
int
, 可选, 默认为 3) — 输入通道的数量。 - num_channels_out (
int
, 可选, 默认为num_channels
) — 输出通道的数量。如果未设置,则将其设置为num_channels
。 - embed_dim (
int
, 可选, 默认为 180) — 补丁嵌入的维度。 - depths (
list(int)
, 可选, 默认为[6, 6, 6, 6, 6, 6]
) — Transformer 编码器中每一层的深度。 - num_heads (
list(int)
, 可选, 默认为[6, 6, 6, 6, 6, 6]
) — Transformer 编码器中每一层中的注意力头的数量。 - window_size (
int
, 可选, 默认为 8) — 窗口的大小。 - mlp_ratio (
float
,可选,默认为 2.0) — MLP 隐藏层维度与嵌入维度之比。 - qkv_bias (
bool
,可选,默认为True
) — 是否向查询、键和值添加可学习的偏置。 - hidden_dropout_prob (
float
,可选,默认为 0.0) — 嵌入和编码器中所有全连接层的 dropout 概率。 - attention_probs_dropout_prob (
float
,可选,默认为 0.0) — 注意力概率的 dropout 比率。 - drop_path_rate (
float
,可选,默认为 0.1) — 随机深度率。 - hidden_act (
str
或function
,可选,默认为"gelu"
) — 编码器中的非线性激活函数(函数或字符串)。如果为字符串,则支持"gelu"
、"relu"
、"selu"
和"gelu_new"
。 - use_absolute_embeddings (
bool
,可选,默认为False
) — 是否向 patch 嵌入添加绝对位置嵌入。 - initializer_range (
float
,可选,默认为 0.02) — 初始化所有权重矩阵的截断正态分布初始化器的标准差。 - layer_norm_eps (
float
,可选,默认为 1e-05) — 层归一化层使用的 epsilon。 - upscale (
int
,可选,默认为 2) — 图像的上采样因子。图像超分辨率为 2/3/4/8,降噪和压缩伪影减少为 1 - upsampler (
str
,可选,默认为"pixelshuffle"
) — 重建模块。可以是 ‘pixelshuffle’/‘pixelshuffledirect’/‘nearest+conv’/None。
这是用于存储 Swin2SRModel 配置的配置类。它用于根据指定的参数实例化 Swin Transformer v2 模型,定义模型架构。使用默认值实例化配置将产生与 Swin Transformer v2 caidas/swin2sr-classicalsr-x2-64 架构类似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。阅读 PretrainedConfig 的文档以获取更多信息。
示例
>>> from transformers import Swin2SRConfig, Swin2SRModel
>>> # Initializing a Swin2SR caidas/swin2sr-classicalsr-x2-64 style configuration
>>> configuration = Swin2SRConfig()
>>> # Initializing a model (with random weights) from the caidas/swin2sr-classicalsr-x2-64 style configuration
>>> model = Swin2SRModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
Swin2SRModel
类 transformers.Swin2SRModel
< 源代码 >( config )
参数
- config (Swin2SRConfig) — 模型配置类,包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重,仅加载配置。查看 from_pretrained() 方法以加载模型权重。
基本的 Swin2SR 模型转换器,输出原始隐藏状态,顶部没有任何特定头部。此模型是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解与一般用法和行为相关的所有事项。
前向传播
< 源代码 > ( pixel_values: FloatTensor head_mask: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) → transformers.modeling_outputs.BaseModelOutput 或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor
形状为(batch_size, num_channels, height, width)
) — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参阅 Swin2SRImageProcessor.call()。 - head_mask (
torch.FloatTensor
形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值选择在[0, 1]
中:- 1 表示头部未被掩盖,
- 0 表示头部被掩盖。
- output_attentions (
bool
,可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量中的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回
transformers.modeling_outputs.BaseModelOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutput 或 torch.FloatTensor
的元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),包含取决于配置 (Swin2SRConfig) 和输入的各种元素。
-
last_hidden_state (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
) — 模型最后一层的输出处的隐藏状态序列。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入的输出,如果模型具有嵌入层,加上每一层的输出)形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出处的隐藏状态,加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选, 当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每一层一个)形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。
The Swin2SRModel 正向方法,覆盖了 __call__
特殊方法。
虽然正向传递的配方需要在此函数中定义,但此后应该调用 Module
实例,而不是此函数,因为前者负责运行预处理和后处理步骤,而后者则默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, Swin2SRModel
>>> import torch
>>> from datasets import load_dataset
>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]
>>> image_processor = AutoImageProcessor.from_pretrained("caidas/swin2SR-classical-sr-x2-64")
>>> model = Swin2SRModel.from_pretrained("caidas/swin2SR-classical-sr-x2-64")
>>> inputs = image_processor(image, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 180, 488, 648]
Swin2SRForImageSuperResolution
类 transformers.Swin2SRForImageSuperResolution
< 源代码 >( config )
参数
- config (Swin2SRConfig) — 模型配置类,包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重,只会加载配置。查看 from_pretrained() 方法以加载模型权重。
带有向上采样头的 Swin2SR 模型转换器,用于图像超分辨率和恢复。
此模型是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解与一般使用和行为相关的所有事项。
前向传播
< 源代码 > ( pixel_values: Optional = None head_mask: Optional = None labels: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.ImageSuperResolutionOutput
或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor
形状为(batch_size, num_channels, height, width)
) — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参阅 Swin2SRImageProcessor.call()。 - head_mask (
torch.FloatTensor
形状为(num_heads,)
或(num_layers, num_heads)
, 可选) — 用于使自注意力模块的选定头部无效的掩码。在[0, 1]
中选择的掩码值:- 1 表示头部未被掩盖,
- 0 表示头部被掩盖。
- output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回
transformers.modeling_outputs.ImageSuperResolutionOutput
或 tuple(torch.FloatTensor)
一个transformers.modeling_outputs.ImageSuperResolutionOutput
或一个torch.FloatTensor
的元组(如果传递了return_dict=False
或当config.return_dict=False
时),包含根据配置(Swin2SRConfig)和输入而变化的各种元素。
-
loss (
torch.FloatTensor
形状为(1,)
,可选,当提供labels
时返回) — 重建损失。 -
reconstruction (
torch.FloatTensor
形状为(batch_size, num_channels, height, width)
) — 重建的图像,可能已进行上采样。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入的输出,如果模型具有嵌入层,以及每个阶段的输出各一个)形状为(batch_size, sequence_length, hidden_size)
。模型在每个阶段输出处的隐藏状态(也称为特征图)。 -
attentions (
tuple(torch.FloatTensor)
, 可选, 当传递output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个)形状为(batch_size, num_heads, patch_size, sequence_length)
。注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。
该 Swin2SRForImageSuperResolution 前向方法覆盖了__call__
特殊方法。
虽然正向传递的配方需要在此函数中定义,但此后应该调用 Module
实例,而不是此函数,因为前者负责运行预处理和后处理步骤,而后者则默默地忽略它们。
示例
>>> import torch
>>> import numpy as np
>>> from PIL import Image
>>> import requests
>>> from transformers import AutoImageProcessor, Swin2SRForImageSuperResolution
>>> processor = AutoImageProcessor.from_pretrained("caidas/swin2SR-classical-sr-x2-64")
>>> model = Swin2SRForImageSuperResolution.from_pretrained("caidas/swin2SR-classical-sr-x2-64")
>>> url = "https://huggingface.co/spaces/jjourney1125/swin2sr/resolve/main/samples/butterfly.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> # prepare image for the model
>>> inputs = processor(image, return_tensors="pt")
>>> # forward pass
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> output = outputs.reconstruction.data.squeeze().float().cpu().clamp_(0, 1).numpy()
>>> output = np.moveaxis(output, source=0, destination=-1)
>>> output = (output * 255.0).round().astype(np.uint8) # float32 to uint8
>>> # you can visualize `output` with `Image.fromarray`