超分辨率重建——CAMixerSR网络训练与推理测试（详细图文教程）

本文主要是介绍超分辨率重建——CAMixerSR网络训练与推理测试（详细图文教程），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！

💪 专业从事且热爱图像处理，图像处理专栏更新如下👇：
📝《图像去噪》
📝《超分辨率重建》
📝《语义分割》
📝《风格迁移》
📝《目标检测》
📝《暗光增强》
📝《模型优化》
📝《模型实战部署》

😊总结不易，多多支持呀🌹感谢您的点赞👍收藏⭐评论✍️，您的三连是我持续更新的动力💖

---

一、CAMixerSR

CAMixerSR是一种有效且高效的超分辨率网络，它通过动态分配注意力和卷积，实现了在保持高质量恢复的同时，大幅降低计算复杂度。这使得CAMixerSR在处理大尺寸图像的超分辨率任务时具有很大的优势。

CAMixerSR的主要创新在于引入了内容感知混合器（CAMixer），它为简单的上下文分配卷积，为稀疏纹理提供额外的可变形窗口注意力。具体来说，CAMixer使用可学习的预测器生成多个引导，包括用于窗口warping的偏移量，用于分类窗口的mask，以及用于赋予卷积动态属性的卷积注意力。这可以自适应地调节注意力以包含更多有用的纹理，并提高卷积的表示能力。

从论文实验结果显示，CAMixerSR在大尺寸图像SR、轻量级SR和全景图像SR方面实现了较好的性能。与经典的Transformer based超分方案SwinIR-light相比，CAMixerSR在多个数据集（F2K、Tesk2K、Tesk4K、Tesk8K）上都有比较大的优势。在经过优化后，可以做到PSNR接近的情况下节约将近一半的FLOPS以及参数量Params。

二、源码包准备

本教程配套源码包获取方法文章末扫码到公众号「视觉研坊」中回复关键字：超分辨率重建CAMixerSR。获取下载链接。

训练部分的代码，我在官网代码基础上补了很多坑，官网代码提供了train.py，但没有提供训练相关的脚本文件和关联文件，且官网代码在主训练脚本中有一些错误，下面博文中我会展示一部分坑。

官网代码获取：CAMixerSR

论文链接：论文

下载我提供源码包解压后的样子如下，包含了预训练权重，部分训练集，验证集，测试集。

三、环境准备

部分学者使用官网源码包可能会遇到下面的一些问题，如果没遇到跳过，直接看3.5。

3.1 报错：KeyError: “No object named ‘CAMixerSR’ found in ‘arch’ registry!”

直接运行训练train.py主脚本时，报错如下：

3.1.1 问题分析

CAMixerSR网络，作者是在basicsr框架基础上实现的，定义的CAMixerSR类，需要结合注册机才能被调用使用，如果使用命令pip install basicsr安装，只是安装了basicsr包，这种方法在使用basicsr时容易出错，就会出现类似此问题。

3.1.2 解决办法

安装basicsr源码包的方法，具体安装见下，终端中先通过下面命令进入到源码包下的codes文件夹路径下：

cd codes

继续在终端使用下面命令安装basicsr源码包：

python setup.py develop

具体过程如下：

3.2 报错：NotImplementedError: optimizer AdamW is not supperted yet.

报错如下：

3.2.1 问题分析

出现该问题是因为CAMixerSR网络的作者没有提供AdamW优化器方法，仅提供了Adam和SGD两种方法，具体位置见下。

实际上bsaicsr官网源码中是有很多优化器的，其中就包含AdamW，学者可以去basicsr官网查看，链接为：BasicSR

3.2.2 解决办法

修改优化器为Adam或SGD，具体见下：

如果学者想使用其它优化器，可以去basicsr官网上把base_model.py脚本下载后替换我提供源码包中CAMixerSR-main\codes\basicsr\models路径下的base_model.py脚本。

3.3 报错：AttributeError: ‘CAMixerSR’ object has no attribute ‘ratio’

报错如下：

3.3.1 问题分析

ratio变量在全局中不能被正常调用。

3.3.2 解决办法

对ratio变量进行属性赋值，加代码self.ratio = ratio，具体加的位置见下：

3.4 报错：AttributeError: ‘tuple’ object has no attribute ‘size’

3.4.1 问题分析

在训练代码中，计算损失函数时，预测结果要与标签图像进行计算，但是预测结果的直接输出是一个元祖，预测的tensor结果包含在元祖的第0位置，需要取出来与标签图像作比较。

3.4.2 解决办法

具体需要修改的代码位置见下:

3.5 训练和测试环境

我自己训练和测试的环境见下，仅供参考，其它版本也行。

四、数据集准备

4.1 训练集

训练集要求配对的高分辨率和低分辨图像，还要一个.txt文件，包含高分辨率图像的路径等相关信息。在源码包中，我提供了部分训练集，位于CAMixerSR-main\datasets\trian_images路径下：

上面的meta_info.txt文件中的内容，学者可以自己写个脚本遍历读取高分辨率图像的路径，尺寸，将这些信息保存到一个.txt文件中。

我提供的.txt文件，来源于LMDB文件，在制作LMDB文件时，会生成一个meta_info.txt文件，学者可以参考我另外一篇博文制作.txt文件：LMDB文件制作

4.2 验证集

在源码包中提供了4个验证集，位于CAMixerSR-main\datasets\val_images\benchmark路径下：

4.3 测试集

在源码包中，测试集位于CAMixerSR-main\TestImages\benchmark\Set5路径下：

五、训练

5.1 训练配置参数修改

训练配置参数有很多，常用需要修改的见下，其它参数学者根据自己需求自行修改：

5.2 启动训练

训练train.py脚本见下：

启动训练方式有两种，根据自己需求选择。

5.2.1 配置Configuration训练

配置Configuration中参数：

5.2.2 终端命令训练

在终端启动训练命令：

cd codes
python basicsr/train.py -opt options/train/train_example.yml

5.3 训练过程

启动训练后，训练过程如下：

5.4 模型保存

训练过程中的模型会自动保存到CAMixerSR-main\codes\experiments\路径下，在训练前，可以在训练的配置文件中自定义训练迭代多少次保存一次模型。

六、测试

测试的主脚本为CAMixerSR-main\codes\basicsr路径下的test.py脚本。

6.1 测试配置文件修改

模型测试时，常修改到的参数见下：

6.2 测试结果问题

部分学者下载官网模型后直接测试时，可能会出现下面问题：

6.2.1 问题分析

出现上面问题的原因是测试的模型选用的默认的模型，需要修改为官网超分模型或自己训练好的模型。

6.2.2 解决办法

修改测试模型的具体位置见下，修改后再测试就能够正常出图了。

6.3 启动测试

启动测试也是两种方法，自行选择:

6.3.1 配置Configuration测试

6.3.2 终端命令测试测试

在终端输入下面命令进行测试：

python codes/basicsr/test.py -opt F:\Code\Python\CAMixerSR\CAMixerSR-main\codes\options\test\test_x4.yml

6.4 测试结果

运行测试脚本后，结果会自动保存到CAMixerSR-main\codes\results路径下：

七、推理速度

GPU测试环境：Nvidia GeForce RTX 3050。

CPU测试环境：12th Gen Intel® Core™ i7-12700H 2.30 GHz。

下面是不同分辨率在不同平台即不同超分倍数下推理耗时：

八、效果展示

下面展示图中，最左侧图为原图通过OpenCv直接上采样4倍图，中间为CAMixerSR网络超分4倍结果，最右侧为高分辨率原图。

九、总结

以上就是超分辨率重建CAMixerSR网络训练与推理测试的详细图文教程，希望能帮你快速训练并测试CAMixerSR网络。

感谢您阅读到最后！关注公众号「视觉研坊」，获取干货教程、实战案例、技术解答、行业资讯！

这篇关于超分辨率重建——CAMixerSR网络训练与推理测试（详细图文教程）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！

---