【论文阅读】 Learning to Upsample by Learning to Sample

论文地址：Liu_Learning_to_Upsample_by_Learning_to_Sample_ICCV_2023_paper.pdf
代码地址：https://github.com/tiny-smart/dysample.git

一、之前的上采样器

随着动态网络的普及，一些动态上采样器在几个任务上显示出巨大潜力。CARAFE通过动态卷积生成内容感知上采样核来对特征进行上采样。后续工作FADE和SAPA提出将高分辨率引导特征和低分辨率输入特征结合起来生成动态核，以便上采样过程能够受到更高分辨率结构的引导。这些动态上采样器通常结构复杂，推理时间成本高，特别是对于FADE和SAPA，高分辨率引导特征引入了更多的计算工作量，并缩小了它们的应用范围。

二、DySample概述

DySample是一种快速、有效且通用的动态上采样器，其主要概念是从点采样的角度来设计上采样过程，而不是传统的基于内核的动态上采样方法。DySample通过生成上采样位置而非内核，显著减少了计算资源的消耗，并且不需要定制的CUDA包。与其他动态上采样器相比，DySample在延迟（latency）、训练内存（memory）、训练时间（training time）、浮点运算次数（GFLOPs）和参数量（parameters）等方面表现出更高的效率。在本文测试DySample上采样模块的过程中，首先从一个简单的实现开始，然后通过不断调整公式和参数等逐步改进其性能。

三、不同上采样器比较

• 该图是对不同上采样器的性能、推理速度和 GFLOPs 进行比较。
• 圆圈大小表示 GFLOPs 成本。 通过将大小为 256×120×120 的特征图进行×2 上采样来测试推理时间。
• 在大型室内场景 ADE20K 数据集上使用 SegFormer-B1 模型。
• 测试平均交并比（mIoU）性能和额外增加的 GFLOPs 。

四、整体架构

与近期基于内核的上采样器不同，我们将上采样的本质理解为点重采样。在DySample中，有着基于动态上采样和模块设计的采样过程。其中输入特征X 、上采样特征X‘ 、生成偏移量O，原始采样网络G，采样集S。

• （a）图：采样集S由采样点生成器生成，通过网格采样函数对输入特征进行重新采样。

• （b）图：采样集S=生成偏移量O+原始采样网络G。 上框表示具有静态范围因子的版本，其中偏移量通过线性层生成。下框描述具有动态范围因子的版本，其中先生成一个范围因子，然后用它来调制偏移量。σ表示 Sigmoid 函数。

五、设计过程

（1）初步设计

• 变量注释：输入特征X 、上采样特征X‘ 、生成偏移量O，原始网格G，采样集S

$$X^{\prime }=\text{grid\_sample}(X,S).\text{\hspace{1em}(1)}$$

$$O=\text{linear}(X),\text{\hspace{1em}(2)}$$

$$S=G+O,\text{\hspace{1em}(3)}$$

• 目标检测：Faster R-CNN (DySample) : 37.9%的AP，Faster R-CNN (CARAFE)：38.6%的AP 。
• 语义分割：SegFormer-B1 (DySample) 获得了41.9%的mIoU，SegFormer-B1 (CARAFE)
  42.8%的 mIoU。

（2）第一次修改

• 点和彩色掩码分别表示初始采样位置和偏移范围；
• 本次示例，我们考虑采样四个点。

• （a）在Nearest Initialization的情况下，四个偏移量共享相同的初始位置，这会导致初始采样位置分布不均匀；
• （b）在Bilinear Initialization的情况下，我们将初始位置分开，使他们的初始采样位置分布均匀。

（3）第二次修改

我们发现，当（b）在没有偏移调制的情况下，偏移范围通常会重叠，所以在（c）中，我们局部约束偏移范围以减少重叠。

我们重写公式（2），通过不断实验确定静态范围因子为0.25时DySample达到最优效果
$$O=0.25\times \text{linear}(X)\text{\hspace{1em}(4)}$$

（4）第三次修改

然而，乘以静态范围因子是重叠问题的一种软解法，这种方法无法完全解决问题。

最终我们引入动态范围因子,重写公式（4），并且通过不断实验确定分组卷积个数为g=4时DySample达到最优效果。
$$O=0.5\cdot \text{sigmoid}({\text{linear}}_1(X))\cdot {\text{linear}}_2(X)\text{\hspace{1em}(5)}$$
通过第三次修改，DySample应用在Faster R-CNN 和SegFormer-B1 的效果超过CARAFE。

六、DySample四种变体

DySample系列。根据范围因子的形式（静态/动态）和偏移生成样式（LP/PL），我们研究了四种变体：

1. DySample：具有静态范围因子的LP风格；
2. DySample+：具有动态范围因子的LP风格；
3. DySample-S：具有静态范围因子的PL风格；
4. DySample-S+：具有动态范围因子的PL风格。

其中LP和PL即采样点生成器（Sampling Point Generator）中线性层和像素重排层的顺序:

七、复杂性分析

从图中可以就看出，DySample在延迟（latency）、训练内存（memory）、训练时间（training time）、浮点运算次数（GFLOPs）和参数量（parameters）等方面表现出更高的效率。

需要注意的是：

• 虽然LP所需的参数比PL多，但前者更灵活，内存占用更小，推理速度更快；
• S版本在参数和 GFLOPs 方面的成本更低，但内存占用和延迟更大，因为PL需要额外的存储。 +版本也增加了一些计算量。

八、定性可视化

九、对比实验分析

此处仅展示目标检测领域，该实验使用Faster R-CNN在MSCOCO数据集上进行对比实验
可以看出DySample+版本在Backbone为R50和R101时均保持最优检测性能

十、DySample代码分析

上述代码就是公式（5）的具体实现
$$O=0.5\cdot \text{sigmoid}({\text{linear}}_1(X))\cdot {\text{linear}}_2(X)\text{\hspace{1em}(5)}$$

• style 参数定义了上采样的风格（LP/PL）
• groups 参数用于分组卷积g的个数
• dyscope 参数是用于确定是否使用动态范围因子（+）
• 此代码代表默认的第一种DySample

在Ultralytics封装的YOLO系列中，DySample部署模块时的task.py如下图所示