多阶段渐进式图像恢复 | 去雨、去噪、去模糊 | 有效教程（附源码）|【CVPR 2021】

2023-12-21 22:32
文章标签 源码 图像 恢复 教程 有效 阶段 2021 cvpr 渐进式 去模糊

本文主要是介绍多阶段渐进式图像恢复 | 去雨、去噪、去模糊 | 有效教程（附源码）|【CVPR 2021】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

  • 🥇 版权: 本文由【墨理学AI】原创、在CSDN首发、各位大佬、敬请查阅
  • 🎉 声明: 作为全网 A I领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️
  • 🍖 该博文旨在带你了解如何使用深度学习进行图像恢复【去雨、去噪、去模糊】，【❤️ 基准测试、实战教程 ❤️】

文章目录

    • 📔 基础信息
        • 🔴 Abstract
        • 🔵 The main contributions
        • 🟣 论文实验数据集
        • 🟡 Conclusion
    • 📕 环境搭建
    • 📗 预训练模型和测试数据
        • 🟧 预训练模型
        • 🟨 设置测试数据
    • 📘 测试
        • 🔴 去模糊测试
        • 🔵 去雨测试
        • 🟣 去噪测试
    • 📙 博文运行代码+模型+测试数据分享
    • 🚀🚀 文末专栏推荐 🚀🚀
    • ❤️ 人生苦短， 欢迎和墨理一起学AI 💜

📔 基础信息

一篇应用于【 去模糊、去雨、去噪 】的多阶段渐进式图像恢复论文

  • Multi-Stage Progressive Image Restoration (CVPR 2021)
  • 多阶段渐进式图像恢复
  • https://arxiv.org/abs/2102.02808
  • https://github.com/swz30/MPRNet

0-9

🔴 Abstract

图像恢复任务需要在恢复图像时在空间细节和高级上下文信息之间实现复杂的平衡。在本文中，我们提出了一种新颖的协同设计，可以最佳地平衡这些相互竞争的目标。我们的主要提议是一个多阶段架构，它逐步学习退化输入的恢复函数，从而将整个恢复过程分解为更易于管理的步骤。具体来说，我们的模型首先使用编码器-解码器架构学习上下文特征，然后将它们与保留本地信息的高分辨率分支相结合。在每个阶段，我们引入了一种新颖的每像素自适应设计，利用原位监督注意力来重新加权局部特征。这种多阶段架构的一个关键要素是不同阶段之间的信息交换。为此，我们提出了一种双向方法，其中信息不仅从早期到后期按顺序交换，而且特征处理块之间也存在横向连接以避免任何信息丢失。由此产生的紧密互连的多阶段架构称为 MPRNet，在包括图像去雨、去模糊和去噪在内的一系列任务中，在十个数据集上提供了强大的性能提升。

🔵 The main contributions
  • 一种新颖的多阶段方法，能够生成上下文丰富且空间准确的输出； 由于其多阶段性质，我们的框架将具有挑战性的图像恢复任务分解为子任务，以逐步恢复退化的图像
  • 一个有效的监督注意力模块，它在进一步传播之前在每个阶段充分利用恢复的图像来细化传入的特征
  • 跨阶段聚合多尺度特征的策略
  • 我们通过在 10 个合成和真实世界数据集上为各种恢复任务（包括图像去雨、去模糊和去噪）取得的优异效果来证明我们的 MPRNet 的有效性，同时保持低复杂度（见图 1）。 此外，我们提供详细的消融、定性结果和泛化测试。
🟣 论文实验数据集

1-1

Image Deblurring 【去模糊数据集】

  • GoPro [53] dataset – 下载主页
  • 主页详情如下

1-2

Image Deraining 【去雨数据集】

  • Rain14000 [23] Rain1800 [81] Rain800 [90] 【训练】
  • Rain100H [81], Rain100L [81], Test100 [90], Test2800 [23], and Test1200 [89] 【测试】

Image Denoising 【去噪】

  • SIDD dataset [1] – 主页 ：https://www.eecs.yorku.ca/~kamel/sidd/dataset.php
  • SIDD 测试数据集 – 主页：https://www.eecs.yorku.ca/~kamel/sidd/benchmark.php
  • DND benchmark dataset [60] – Darmstadt Noise dataset – 主页 ：http://noise.visinf.tu-darmstadt.de/benchmark/
🟡 Conclusion

在这项工作中，我们提出了一种多阶段的图像恢复体系架构，通过在每个阶段注入监督来逐步改善退化的输入。我们为我们的设计制定指导原则，要求在多个阶段进行互补的特征处理，并在它们之间进行灵活的信息交换。为此，我们提出 contextually-enriched and spatially accurate stages ，对一组不同的特征进行统一编码。为了确保交互阶段之间的协同作用，我们提出了跨阶段的特征融合和从早期阶段到后期阶段的注意力引导输出交换。我们的模型在众多基准数据集上取得了显著的性能提升。此外，我们的模型在模型大小方面重量轻，在运行时方面效率高，这对于资源有限的设备来说非常有意义。

📕 环境搭建

  • 服务器：ubuntu1~18.04 Quadro RTX 5000 16G
  • CUDA版本 V10.0.130

基础环境搭建如下

conda create -n torch11 python=3.7.5conda activate torch11pip install torch==1.1.0pip install torchvision==0.3.0## 或者（建议使用 conda 来安装）
conda install pytorch==1.1.0 torchvision==0.3.0 cudatoolkit=10.0 -c pytorch## 或者(根据你的 Cuda 版本来决定安装命令)
conda install pytorch=1.1 torchvision=0.3 cudatoolkit=9.0 -c pytorchpip install matplotlib scikit-image opencv-python yacs joblib natsort h5py tqdm

Install warmup scheduler 【必须步骤】

conda activate torch11git clone https://github.com/swz30/MPRNet.gitcd MPRNet-maincd pytorch-gradual-warmup-lr/python setup.py install

输出如下

running install
running bdist_egg
running egg_info...
...Installed /home/moli/anaconda3/envs/torch11/lib/python3.6/site-packages/warmup_scheduler-0.3-py3.6.egg
Processing dependencies for warmup-scheduler==0.3
Finished processing dependencies for warmup-scheduler==0.3

📗 预训练模型和测试数据

🟧 预训练模型

1-0

🟨 设置测试数据
  • 去模糊：这里暂时使用 GOPRO_Large\test\GOPR0384_11_00 作为测试数据，放置在samples/ 目录下
  • 去雨：Rain100H/
  • 去模糊：高斯噪声 和 脉冲噪声 图像各一张 ，放置在 samples/noise/ 目录下
  • 项目，目录结构如下

1-1

  • 博文使用的测试数据集，设置如下

1-2

📘 测试

🔴 去模糊测试
python demo.py --task Deblurring --input_dir ./samples/GOPR0384_11_00/blur --result_dir ./samples/output/

输出如下

# GPU 占用 10209MiBFiles saved at ./samples/output/

输入输出对比效果

3-0

该去模糊图像和数据集中该测试图像对应的清晰图片对比【可见去模糊效果还不错】

3-1

🔵 去雨测试

cmd

python demo.py --task Deraining --input_dir ./samples/Rain100H/input/ --result_dir ./samples/Rain100H/output/

输出如下

# GPU 占用 1461MiBFiles saved at ./samples/Rain100H/output/

输入输出对比效果

3-2

🟣 去噪测试
python demo.py --task Denoising --input_dir ./samples/noise/ --result_dir ./samples/denoise

输出如下

# GPU 占用 2087MiBFiles saved at ./samples/denoise

去噪声效果如下

3-4

📙 博文运行代码+模型+测试数据分享

有需要此次源码的小伙伴， 墨理学AI 公众号后台，回复 20211120 即可自动获取本博文此次的运行代码+模型+测试数据分享+对应论文

20211120

🚀🚀 文末专栏推荐 🚀🚀

  • 👋 如果感觉文章看完了不过瘾，还想更进一步，那么可以来我的其他 专栏 看一下哦~
  • ❤️ 图像风格转换 —— 代码环境搭建 实战教程【关注即可阅】！
  • 💜 图像修复-代码环境搭建-知识总结 实战教程 【据说还行】
  • 💙 超分重建-代码环境搭建-知识总结 解秘如何让白月光更清晰【脱单神器】
  • 💛 YOLO专栏，只有实战，不讲道理 目标检测【建议收藏】！
  • 🎻 个人整理的 Cuda 系列 Linux 安装教程【适合小白进阶】
  • 💜 ubuntu18给当前用户安装cuda11.2 图文教程 | 配置cuDNN8.1 |
  • 💜 Linux服务器下给当前用户安装自己的CUDA10.0
  • 💜 Linux下cuda10.0安装Pytorch和Torchvision
  • 💜 Linux 可以安装多个版本的Cuda 吗 | 给我一台新的服务器，我会怎么安排 Cuda
  • 💜 查看CUDA和cuDNN的版本号
  • 🍖 深度学习、调参搬砖、开发利器【大佬必备】
  • ❤️ VSCode远程连接 Linux 服务器进行开发调试 | C++远程调试 | Python远程调试 | VSCode 神器 ，你值得拥有
  • ❤️ windows下 pycharm配置Linux服务器的 conda环境之最强指南 | 深度学习模型远程调试 | SFTP 同步传输 |

❤️ 人生苦短， 欢迎和墨理一起学AI 💜

上一秒的我信誓旦旦

9-5

梦醒，洗头

9-6

这篇关于多阶段渐进式图像恢复 | 去雨、去噪、去模糊 | 有效教程（附源码）|【CVPR 2021】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/521714。

相关文章

全网最全Tomcat完全卸载重装教程小结

全网最全Tomcat完全卸载重装教程小结

《全网最全Tomcat完全卸载重装教程小结》windows系统卸载Tomcat重新通过ZIP方式安装Tomcat,优点是灵活可控,适合开发者自定义配置,手动配置环境变量后,可通过命令行快速启动和管理... 目录一、完全卸载Tomcat1. 停止Tomcat服务2. 通过控制面板卸载3. 手动删除残留文件4.
阅读更多...
Python的pandas库基础知识超详细教程

Python的pandas库基础知识超详细教程

《Python的pandas库基础知识超详细教程》Pandas是Python数据处理核心库,提供Series和DataFrame结构,支持CSV/Excel/SQL等数据源导入及清洗、合并、统计等功能... 目录一、配置环境二、序列和数据表2.1 初始化2.2  获取数值2.3 获取索引2.4 索引取内容2
阅读更多...
python依赖管理工具UV的安装和使用教程

python依赖管理工具UV的安装和使用教程

《python依赖管理工具UV的安装和使用教程》UV是一个用Rust编写的Python包安装和依赖管理工具,比传统工具（如pip）有着更快、更高效的体验,：本文主要介绍python依赖管理工具UV... 目录前言一、命令安装uv二、手动编译安装2.1在archlinux安装uv的依赖工具2.2从github
阅读更多...
C#实现SHP文件读取与地图显示的完整教程

C#实现SHP文件读取与地图显示的完整教程

《C#实现SHP文件读取与地图显示的完整教程》在地理信息系统(GIS)开发中,SHP文件是一种常见的矢量数据格式,本文将详细介绍如何使用C#读取SHP文件并实现地图显示功能,包括坐标转换、图形渲染、平... 目录概述功能特点核心代码解析1. 文件读取与初始化2. 坐标转换3. 图形绘制4. 地图交互功能缩放
阅读更多...
java 恺撒加密/解密实现原理(附带源码)

java 恺撒加密/解密实现原理(附带源码)

《java恺撒加密/解密实现原理(附带源码)》本文介绍Java实现恺撒加密与解密,通过固定位移量对字母进行循环替换,保留大小写及非字母字符,由于其实现简单、易于理解,恺撒加密常被用作学习加密算法的入... 目录Java 恺撒加密/解密实现1. 项目背景与介绍2. 相关知识2.1 恺撒加密算法原理2.2 Ja
阅读更多...
Nginx屏蔽服务器名称与版本信息方式(源码级修改)

Nginx屏蔽服务器名称与版本信息方式(源码级修改)

《Nginx屏蔽服务器名称与版本信息方式(源码级修改)》本文详解如何通过源码修改Nginx1.25.4,移除Server响应头中的服务类型和版本信息,以增强安全性,需重新配置、编译、安装,升级时需重复... 目录一、背景与目的二、适用版本三、操作步骤修改源码文件四、后续操作提示五、注意事项六、总结一、背景与
阅读更多...
Docker多阶段镜像构建与缓存利用性能优化实践指南

Docker多阶段镜像构建与缓存利用性能优化实践指南

《Docker多阶段镜像构建与缓存利用性能优化实践指南》这篇文章将从原理层面深入解析Docker多阶段构建与缓存机制,结合实际项目示例,说明如何有效利用构建缓存,组织镜像层次,最大化提升构建速度并减少... 目录一、技术背景与应用场景二、核心原理深入分析三、关键 dockerfile 解读3.1 Docke
阅读更多...
Android实现图片浏览功能的示例详解(附带源码)

Android实现图片浏览功能的示例详解(附带源码)

《Android实现图片浏览功能的示例详解(附带源码)》在许多应用中,都需要展示图片并支持用户进行浏览,本文主要为大家介绍了如何通过Android实现图片浏览功能,感兴趣的小伙伴可以跟随小编一起学习一... 目录一、项目背景详细介绍二、项目需求详细介绍三、相关技术详细介绍四、实现思路详细介绍五、完整实现代码
阅读更多...
SpringBoot集成redisson实现延时队列教程

SpringBoot集成redisson实现延时队列教程

《SpringBoot集成redisson实现延时队列教程》文章介绍了使用Redisson实现延迟队列的完整步骤,包括依赖导入、Redis配置、工具类封装、业务枚举定义、执行器实现、Bean创建、消费... 目录1、先给项目导入Redisson依赖2、配置redis3、创建 RedissonConfig 配
阅读更多...
基于C#实现PDF转图片的详细教程

基于C#实现PDF转图片的详细教程

《基于C#实现PDF转图片的详细教程》在数字化办公场景中,PDF文件的可视化处理需求日益增长,本文将围绕Spire.PDFfor.NET这一工具,详解如何通过C#将PDF转换为JPG、PNG等主流图片... 目录引言一、组件部署二、快速入门：PDF 转图片的核心 C# 代码三、分辨率设置 - 清晰度的决定因
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2