[论文地址] [代码] [CVPR 23]

Abstract

我们考虑了检测图像中低层次结构的通用问题，其中包括分割被操纵的部分，识别失焦像素，分离阴影区域，以及检测隐藏的物体。每个问题通常都有一个特定领域的解决方案，我们表明，一个统一的方法在所有这些问题上都表现良好。我们从NLP中广泛使用的预训练和提示调整协议中得到启发，并提出了一个新的视觉提示模型，即显式视觉提示（EVP）。与以往的视觉提示不同的是，我们的视觉提示是典型的数据集级别的隐性嵌入，我们的关键见解是强制执行可调整的参数，专注于每个单独图像的显性视觉内容，即来自冻结补丁嵌入和输入的高频成分的特征。在相同数量的可调整参数（每个任务5.7%的额外可调谐参数）下，提议的EVP明显优于其他参数高效的微调协议。与特定任务的解决方案相比，EVP在不同的低层次结构分割任务上实现了最先进的性能。

---

Overview

本文是做什么的： 做的是参数高效微调(Parameter-Efficient Tuning)。例如对一个参数量巨大的模型，调整其所有参数是十分低效的，可以设计算法以只调整网络的一小部分(额外的)参数来取得与完全调整相当的性能。

何为显式(Explicit) 现有的方法(例如Visual Prompt Tuning)其所利用的提示(Prompt)是隐式的，也就是直接加网络层进去让模型自己学，具体学的东西是什么不知道，但最后模型性能有提升；本文的Prompt则是强制学习了模型的一些底层的结构信息(FFT+IFFT取得的模型高频成分)，这些底层结构信息所构成的"手工特征"能够大大提升Prompt的效果。

本文的核心思想其实比较类似于传统分割网络里面的boundary aware之类的方法，加额外的与图片相关的信息进去给网络学。

---

Method

本文的网络结构如下所示：

虚线左边为Adapter的结构，虚线右边为整体结构。以SegFormer的Transformer backbone为例，本文主要加了以下几个东西，一个个来看：

• Embedding Tune: 本文将Patch Embedding所得到的特征送入了一个Embedding Tune层。这么做的目的是辅助原始训练数据分布迁移到现在finetune的新数据上，思想类似于现有的VPT-Shallow。具体的网络实现则是一个线性层就可以搞定。需要注意的是，这个线性层对输入的Patch Embedding Feature进行了降维，具体降多少算是本文的一个超参。

• HTC Tune 直接从原始图像中提取高频分量，作为手工特征以辅助finetune。具体的网络实现同样是使用一个线性层将提取的frequency map转化为特征。

• Adapter 负责整合Embedding与HTC Tune获得的信息，并将其送入到Transformer backbone的每一层中去。其网络实现由三部分组成，分别为$ML{P}_{t}une$，$GELU$，$ML{P}_{u}p$，也就是两个线性层以及中间的GELU。将第二个MLP共享可以认为单纯是为了节省参数量(见消融实验)。

---

Ablation Study

本文主要所提出来的东西也就是这个高频分量Adapter $F_{hfc}$。可以看到该组件在Shadow和Forgery上的贡献较大，而在Defocus以及Camouflaged上的贡献有限。事实上，对于Defocus以及Camouflaged这两个任务，修改单一的设计几乎都不会对最终结果有较大的影响。