FuseFormer: 変換器における細かい情報の融合を用いたビデオインペイント

Transformerは、長距離関係をモデル化するための強力で柔軟なアーキテクチャとして、視覚タスクにおいて広く研究されています。しかし、詳細な表現を必要とするビデオインペイントでは、既存の方法がハードパッチ分割により細部でぼやけたエッジを生成してしまうという問題があります。本研究では、この問題に対処するために、新しいソフトスプリットとソフトコンポジション操作に基づいた細かい特徴量融合を用いてビデオインペイントに設計されたTransformerモデルであるFuseFormerを提案します。ソフトスプリットは、特徴マップを指定された重複間隔で多数のパッチに分割します。一方、ソフトコンポジションは異なるパッチを全体の特徴マップに縫い合わせる操作を行い、重複領域にあるピクセルが合算されます。これらの2つのモジュールは最初にトークン化（tokenization）の前にトランスフォーマー層で使用され、その後トランスフォーマー層後のデトークン化（de-tokenization）でも使用され、トークンと特徴量との間での効果的な対応付けが可能となります。これにより、隣接するパッチ間でのより効果的な情報伝播が実現し、ビデオ内の穴領域に対して生き生きとしたコンテンツの合成が可能になります。さらに、FuseFormerではフィードフォワードネットワークにソフトコンポジションとソフトスプリットを巧妙に挿入することで、1次元線形層が2次元構造モデリングの能力を持つようにしています。これによりサブパッチレベルでの特徴量融合能力がさらに向上します。定量評価および定性評価の両面で提案したFuseFormerは最先端手法を超える結果を示しました。また、その優位性について詳細な分析も行っています。