PyTorch：學習torch.nn.functional.grid_sample

背景

最近在學習SfMLearner，其中一個非常重要的部分是Differentiable depth image-based rendering，翻譯過來就是基於深度的可微圖像渲染。這看起來好像很高大上，但是換句話說其實就是要根據深度，在當前影像上生成另一個視角的影像。不多說這個了，這其中一個比較重要的部分就是，雙線性採樣，論文裏圖示如下，$I_t$是目標影像（即前文說的另一個視角的影像），$I_t$是原始影像，$I_t$上一個整數座標$p_t$,根據深度投影到$I_s$上後得到一個浮點型座標$p_s$；此時就要進行雙線性採樣，利用$I_s$上的四個點採樣出$p_s$的值。

說到這裏，我基本說清楚了SfMLearner這個Rendering的原理，但是立馬就有一個問題出現在我的腦海裏，即這玩意在PyTorch裏應該怎麼實現。在查閱了ClementPinard的代碼SfmLearner-Pytorch後，發現對應的工具是porch.nn.functional.grid_sample。

那問題就來了，這玩意到底怎麼用呢？後邊，我將配合代碼瞅瞅這玩意到底咋回事。當然，我的結論不一定完全對，但至少給一些表面的感覺吧。

---

參考鏈接

1. https://pytorch.org/docs/master/nn.functional.html#grid-sample
2. https://github.com/ClementPinard/SfmLearner-Pytorch/blob/master/inverse_warp.py
3. Unsupervised Learning of Depth and Ego-Motion from Video

---

代碼及說明

文檔

搞事之前，先簡單看一下文檔，如下：

torch.nn.functional.grid_sample(
input, 
grid, 
mode='bilinear', 
padding_mode='zeros', 
align_corners=None)

1. 其中input的輸入格式是$(N,C,H_{in},W_{in})$；其中$N$對應的是Batch_Size,$C$是通道數量；$H_{in}$，$W_{in}$對應的是影像的高寬；這裏說明一下，還有一個5-D的輸入，我就不討論了。
2. grid的輸入格式是$(N,H_{out},W_{out},2)$；這個$N$對應的也是Batch_Size；$H_{out}$和$W_{out}$分別對應的是grid的形狀，當然，輸出的形狀和這個也是對應的；最後就是這個2，表示的是grid上一個點的座標，分別是x座標和y座標，但注意座標值得範圍是歸一化後的[-1,+1]。
3. mode值得是採樣的方式，這個有nearest和bilinear ；nearest就是最鄰近採樣，bilinear是雙線性插值。
4. padding_mode 指的是邊緣的處理模式，包括zeros，border和reflection；zeros指的是邊緣補充部分爲0，border指的是邊緣補充部分直接複製邊緣區域，reflection指的是邊緣補充部分爲根據邊緣的鏡像，舉個例子ABC|CBA,，其中|是邊緣，CBA是原始圖像。
5. align_corners，這個可以說是讓我腦袋最大的一個參數，看了半天都沒搞懂啥意思；經過多次看文檔和寫代碼測試，我終於有點明白了，這裏簡單解釋一下；當align_corners=True時，座標歸一化範圍是圖像四個角點的中心;當align_corners=False時，座標歸一化範圍是圖像四個角點靠外的角點;爲了更好的說明這個情況，我畫了一個大小爲$3×3$影像進行說明，如下，其中每一個方格代表一個像素，並且像素座標在方格中央；這個圖已經很清楚了吧，如果還不清楚，後邊還有代碼測試。
   

代碼

爲了驗證之前的結論，以下有一些代碼進行測試。

1. 生成一個3*3的輸入

test = torch.rand(1,1,3,3)
test[0][0][0][0]=1 
test[0][0][0][1]=2 
test[0][0][0][2]=3
test[0][0][1][0]=4 
test[0][0][1][1]=5 
test[0][0][1][2]=6
test[0][0][2][0]=7 
test[0][0][2][1]=8 
test[0][0][2][2]=9
print(test)

輸入

tensor([[[[1., 2., 3.],
          [4., 5., 6.],
          [7., 8., 9.]]]])

2. 定義採樣格網，這裏爲了簡單，只有一個點

sample_one = torch.zeros(1,1,1,2)
sample_one [0][0][0][0] = -1  # x
sample_one [0][0][0][1] = -1  # y

sample_two = torch.zeros(1,1,1,2)
sample_two [0][0][0][0] = -2/3  # x
sample_two [0][0][0][1] = -2/3  # y

sample_thr = torch.zeros(1,1,1,2)
sample_thr [0][0][0][0] = -0.5  # x
sample_thr [0][0][0][1] = -0.5  # y

3. 採樣

result_one = torch.nn.functional.grid_sample(test,sample,mode='bilinear',padding_mode="zeros",align_corners=True)
print(result_one )

result_two= torch.nn.functional.grid_sample(test,sample_two ,mode='bilinear',padding_mode="zeros",align_corners=False)
print(result_two)

result_thr= torch.nn.functional.grid_sample(test,sample_thr ,mode='bilinear',padding_mode="zeros",align_corners=True)
print(result_thr)

輸出

# result_one 
# 這個很好理解，當`align_corners=True`時，$(-1,-1)$對應的就是`test`的左上角點
tensor([[[[1.]]]]) 

# result_two
# 這個其實很奇葩，當`align_corners=False`時，$(-2/3,-2/3)$對應的纔是`test`的左上角點
tensor([[[[1.]]]])

# result_one 
# 當`align_corners=True`時，如果懂雙線性插值的話，直接算就可以得到1*0.5+2*0.5+4*0.5+5*0.5=3
tensor([[[[3.]]]])

---

總結

關於torch.nn.functional.grid_sample學習內容就如上了，後續繼續看warp的代碼，加油！！