摘要

作者调研自动放置目标到背景进行图像合成的问题。提供背景图、分割的目标，训练模型预测合理放置信息（位置及尺寸）。当前工作主要是生成候选框或者使用滑窗搜索，但是不能在背景图中建模局部信息。本文通过transformer学习目标特征与所有局部背景特征之间相关性。稀疏对比损失用于进一步训练模型。通过网络前向生成3D heatmap表明所有合理位置/尺度组合。训练时可以使用具体标注也可使用现有inpaint模型，已超过SOTA方法。用户研究表明训练的模型可泛化到真实图片。

引言

如图1，现有方法【26】直接预测多个变换或边界框，表明提供目标的位置和尺度，但仅推荐top，不提供其他可能位置及尺度。【29】使用检索模型评估给定位置的合理性，并以滑动窗口的方式评估位置和尺度的网格，这导致推理速度慢。
本文作者提出的TopNet，将目标放置转化为稠密点预测问题：通过一次网络前向生成包含位置、尺度的稠密网格评估。之前方法仅在全局层级结合前景及背景，而TopNet学习全局前景特征与局部背景特征之间相关性，可高效评估所有可能放置位置。
作者训练TopNet时仅提供一个边界框，因此使用稀疏对比损失，真值位置/尺寸有一个相对高的得分，同时最小化其他组合及比真值得分高的组合，通过在预测的3D热度图上寻找局部最大值生成候选边界框位置。
本文贡献：
1、一种新颖的基于transformer的结构建模目标图与来自背景图的局部信息之间相关关系；
2、稀疏对比损失训练稠密预测网络；
3、在inpaint数据集和标定数据集充分实验验证达到SOTA

算法

架构

提供一张背景$I_b$及前景$I_o$，模型预测的3D热度图$H$，$c=16$，表示尺度值s，0.15-0.9，间隔0.05，每个空间位置与放置边界框的中心有关。
推理时，首先对$H$归一化，寻找top-1或top-k候选框。

结构

如图2，使用两个编码器学习背景和目标特征，为确定特定位置的目标尺寸是否合适，背景图中局部信息可提供细节信息，因此保留来自背景encoder中最后一个卷积层或transformer层的局部特征/token；对于前景相对简单，保留全局特征。
使用多层transformer学习目标全局特征与背景局部特征之间相关性，class token替换为目标全局特征，最后一层所有patch token送入上采样decoder；对于transformer降采样后的特征进行concat及reshape，而后经过4个卷积层进行上采样。

损失函数

通过mask原始目标后进行修复，生成纯背景图，从而构造训练集。损失函数第一项Lcon如式1，

真值处得分最大，其中对于真值附近的点，M为0，其余位置为0.1；损失函数第二项Lrange，如式2，

鼓励H的最低分趋近于0，防止谋学位置预测得分高。整体损失函数L=Lcon+Lrange

实验

数据集

Pixabay：使用LAMA进行目标擦除，对于图中少于3个目标的图片，额外增加一个mask，如图4，防止模型过拟合到修复的物体。训练集367, 384对，测试集41, 166
OPA：训练集21, 350，测试集3, 566。

评估

Top-k IOU：top k个候选框与真值框iou的最大值
Normalized Score：热度图归一化后，在真值处的得分应该相对高，因此计算NS均值以及NS高于一定阈值的百分比。

SOTA比较

Regression表示直接预测真值框；
†Retrieval表示通过检索寻找合理位置；
Classifier表示通过分类器预测合成图是否合理，为检索方案的进一步扩充；
PlaceNet表示通过对抗训练预测框是否合理。
表1展示top-5 IOU评估结果，该方法远超过现有方法，同时速度也比较快；

表2、表3表示对应真值位置NS结果及iou结果；

模型是否过拟合到修复区域

图5表明模型未过拟合到LAMA修复区域。

泛化到真实图片

图6展示几个有挑战性目标放入背景示例，本文所提方法效果更出色；

表4展示本文方法生成图片满意度更高；

消融实验

表5展示稀疏对比损失性能提升明显；

表6表示Local Atten效果最佳。

Global Only表示concat全局背景及前景特征；
Local Concat表示concat全局目标特征及每个局部背景特征；
Local Atten表示通过transformer结合全局前景特征及局部背景特征

图7为可视化展示前景token与局部背景token之间attention；16个热度图展示不同尺度目标推荐不同位置；

讨论及结论

TopNet通过transformer结合目标特征及局部背景特征，预测目标尺度及放置位置，超越现有SOTA方法，并且在真实图片具有泛化性。

限制

• 未考虑光照、阴影、遮挡等信息；
• 依赖于修复网络构建数据集，与真实图存gap

参考文献

[26] Lingzhi Zhang, Tarmily Wen, Jie Min, Jiancong Wang, David Han, and Jianbo Shi. Learning object placement by in- painting for compositional data augmentation. In Computer Vision–ECCV 2020: 16th European Conference, Glasgow,UK, August 23–28, 2020, Proceedings, Part XIII 16, pages 566–581. Springer, 2020. 1, 2, 6, 7
[29] Sijie Zhu, Zhe Lin, Scott Cohen, Jason Kuen, Zhifei Zhang, and Chen Chen. Gala: Toward geometry-and- lighting-aware object search for compositing. arXiv preprint arXiv:2204.00125, 2022. 1, 2, 5, 6, 7