深度深度去噪开源项目（DeepDepthDenoising）安装与使用指南

深度深度去噪开源项目（DeepDepthDenoising）安装与使用指南

DeepDepthDenoising This repo includes the source code of the fully convolutional depth denoising model presented in https://arxiv.org/pdf/1909.01193.pdf (ICCV19) 项目地址: https://gitcode.com/gh_mirrors/de/DeepDepthDenoising

欢迎来到DeepDepthDenoising，这是一个基于自我监督学习的深度学习项目，用于去除深度图中的噪声。该项目由Visual Computing Lab @ CERTH的研究团队开发，并在ICCV 2019上发表。

1. 目录结构及介绍

以下是DeepDepthDenoising项目的典型目录结构：

• assets: 包含训练过程中可能用到的额外资源。
• dataset: 存放数据集相关的脚本或数据预处理工具。
• evaluation: 包含用于评估模型性能的代码。
• exporters: 导出模型或者训练结果的模块。
• importers: 处理输入数据，如加载深度图和RGB图像等。
• models: 核心部分，存放了深度去噪的全卷积自编码器模型的定义。
• supervision: 自我监督机制相关代码。
• utils: 辅助函数，例如数据增强、损失计算等通用功能。
• .gitignore: Git忽略的文件列表。
• LICENSE: 许可证文件，遵循MIT协议。
• README.md: 项目简介和基本使用说明。
• train.py: 训练模型的主要脚本。
• inference.py: 使用训练好的模型进行推理的脚本。

2. 项目启动文件介绍

训练文件 (train.py)

此脚本用于训练深度去噪模型。通过命令行参数可以定制训练过程，比如批量大小、学习率、是否使用Visdom可视化训练过程等。运行该脚本前，确保已经配置好环境并设置正确的数据路径。

示例命令：

python train.py --batchsize 2 --epochs 20 --lr 0.00002 --visdom --visdom_iters 500 --disp_iters 10 --train_path /path/to/train/set

推断文件 (inference.py)

用于对新样本应用训练好的模型以去除深度图中的噪声。通过指定模型路径、输入深度图路径以及可选的输出路径来执行深度图的去噪。

示例命令：

python inference.py --model_path /path/to/model.pth --input_path /path/to/noisy_depth.png --output_path /path/to/clean_depth.png

3. 项目的配置文件介绍

尽管该项目没有特定的.config或单一配置文件，其配置主要通过命令行参数实现。在train.py和inference.py中，你可以通过不同的标志（如--batchsize, --lr等）来调整模型训练和推理的配置。此外，项目依赖于环境变量和外部数据路径的正确设定，这些通常不需要直接在文件中配置，而是通过修改脚本运行时提供的参数完成。

环境和依赖

• PyTorch 1.0.1
• Python 3.7.2
• CUDA 9.1

要确保你的环境满足上述要求，并且已经安装了必要的库和工具，然后通过上述脚本来启动训练或推理流程。

---

这个简要的指南覆盖了快速入门的关键步骤。对于更详细的指导和深入理解每个组件的功能，建议查阅项目中的README.md文件和相关论文。

DeepDepthDenoising This repo includes the source code of the fully convolutional depth denoising model presented in https://arxiv.org/pdf/1909.01193.pdf (ICCV19) 项目地址: https://gitcode.com/gh_mirrors/de/DeepDepthDenoising