Pytorch 展开和折叠：如何将这个图像张量重新组合在一起？

Question

我正在尝试使用展开来过滤大小为 256x256 的单通道 2D 图像，以创建重叠为 8 的 16x16 块。如下所示：

# I = [256, 256] image
kernel_size = 16
stride = bx/2
patches = I.unfold(1, kernel_size, 
int(stride)).unfold(0, kernel_size, int(stride)) # size = [31, 31, 16, 16]

 

我已经开始尝试将图像与 fold 重新组合在一起，但我还没有完全到位。我试图使用视图来让图像“适合”它应该的方式，但我不知道这将如何保留原始图像。也许我想多了。

# patches.shape = [31, 31, 16, 16]
patches = = filt_data_block.contiguous().view(-1, kernel_size*kernel_size) # [961, 256]
patches = patches.permute(1, 0) # size = [951, 256]

任何帮助将不胜感激。非常感谢。

Answer 1

我相信您会从使用中受益torch.nn.functional.fold，torch.nn.functional.unfold在这种情况下，因为这些函数是专门为图像（或任何 4D 张量，形状为 BXCXHXW）构建的。

让我们从展开图像开始：

import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt
from sklearn.datasets import load_sample_image #Used to load a sample image

dtype = torch.cuda.FloatTensor if torch.cuda.is_available() else torch.FloatTensor
#Load a flower image from sklearn.datasets, crop it to shape 1 X 3 X 256 X 256:
I = torch.from_numpy(load_sample_image('flower.jpg')).permute(2,0,1).unsqueeze(0).type(dtype)[...,128:128+256,256:256+256]
kernel_size = 16
stride = kernel_size//2 
I_unf = F.unfold(I, kernel_size, stride=stride)

这里我们使用该F.unfold函数获得所有步幅为 8 的 16x16 图像块。这将产生一个形状为 的 3D 张量torch.Size([1, 768, 961])。即 - 961 个补丁，每个补丁有 768 = 16 X 16 X 3 个像素。

现在，假设我们希望将其折叠回 I：

I_f = F.fold(I_unf,I.shape[-2:],kernel_size,stride=stride)
norm_map = F.fold(F.unfold(torch.ones(I.shape).type(dtype),kernel_size,stride=stride),I.shape[-2:],kernel_size,stride=stride)
I_f /= norm_map

我们使用F.fold我们告诉它原始形状的地方I，kernel_size我们用来展开的和stride使用的。折叠后，I_unf我们将获得重叠的总和。这意味着生成的图像将显得饱和。因此，我们需要计算归一化映射，该归一化映射将归一化由于重叠引起的像素的多个总和。一种有效地做到这一点的方法是采用一个张量并使用unfold后跟fold- 来模拟重叠的总和。这为我们提供了归一化映射I_f以恢复I。

现在，我们希望绘制I_f并I证明内容被保留：

#Plot I:
plt.imshow(I[0,...].permute(1,2,0).cpu()/255)

#Plot I_f:
plt.imshow(I_f[0,...].permute(1,2,0).cpu()/255)

整个过程也适用于单通道图像。需要注意的一件事是，如果图像的空间维度不能被步幅整除，norm_map由于某些像素无法到达，您将得到零（在边缘），但您也可以轻松处理这种情况。

Answer 2

一个比 Gil 提出的解决方案稍微不太优雅的解决方案：

我从 Pytorch 论坛上的这篇文章中获得灵感，将我的图像张量格式化为标准形状 B x C x H x W (1 x 1 x 256 x 256)。展开：

# CREATE THE UNFOLDED IMAGE SLICES
I = image           # shape [256, 256]
kernel_size = bx    #shape [16]
stride = int(bx/2)  #shape [8]
I2 = I.unsqueeze(0).unsqueeze(0) #shape [1, 1, 256, 256]
patches2 = I2.unfold(2, kernel_size, stride).unfold(3, kernel_size, stride)
#shape [1, 1, 31, 31, 16, 16]

接下来，我对张量堆栈进行一些转换和过滤。在执行此操作之前，我应用余弦窗口并标准化：

# NORMALISE AND WINDOW
Pvv = torch.mean(torch.pow(win, 2))*torch.numel(win)*(noise_std**2)
Pvv = Pvv.double()
mean_patches = torch.mean(patches2, (4, 5), keepdim=True)
mean_patches = mean_patches.repeat(1, 1, 1, 1, 16, 16)
window_patches = win.unsqueeze(0).unsqueeze(0).unsqueeze(0).unsqueeze(0).repeat(1, 1, 31, 31, 1, 1)
zero_mean = patches2 - mean_patches
windowed_patches = zero_mean * window_patches

#SOME FILTERING ....

#ADD MEAN AND WINDOW BEFORE FOLDING BACK TOGETHER.
filt_data_block = (filt_data_block + mean_patches*window_patches) * window_patches

上面的代码对我有用，但掩码会更简单。接下来，我准备 [1, 1, 31, 31, 16, 16] 形式的张量，将其转换回原始 [1, 1, 256, 256]：

# REASSEMBLE THE IMAGE USING FOLD
patches = filt_data_block.contiguous().view(1, 1, -1, kernel_size*kernel_size)
patches = patches.permute(0, 1, 3, 2)
patches = patches.contiguous().view(1, kernel_size*kernel_size, -1)
IR = F.fold(patches, output_size=(256, 256), kernel_size=kernel_size, stride=stride)
IR = IR.squeeze()

这使我能够创建一个重叠的滑动窗口并将图像无缝地缝合在一起。去掉过滤可以得到相同的图像。