HINet 项目使用教程

HINet 项目使用教程

HINet 项目地址: https://gitcode.com/gh_mirrors/hi/HINet

1. 项目介绍

HINet 是一个用于图像恢复的深度学习模型，由 Megvii 公司开发。该项目基于 Half Instance Normalization Block (HIN Block)，设计了一个简单而强大的多阶段网络，名为 HINet。HINet 在图像去噪、去模糊和去雨等多个图像恢复任务中表现出色，超越了当前最先进的技术。

主要特点

• HIN Block: 一种新颖的归一化块，显著提升了图像恢复网络的性能。
• 多阶段网络: HINet 由两个子网络组成，能够处理复杂的图像恢复任务。
• 高效性能: 在多个数据集上，HINet 在保持较低计算成本的同时，实现了更高的 PSNR 和更快的处理速度。

2. 项目快速启动

环境准备

• Python 3.6 或更高版本
• PyTorch 1.5.1 或更高版本
• CUDA 10.1 或更高版本

安装步骤

1. 克隆项目仓库：

   git clone https://github.com/megvii-model/HINet.git
   cd HINet
   

2. 安装依赖项：

   pip install -r requirements.txt
   

3. 编译项目：

   python setup.py develop --no_cuda_ext
   

快速启动（单张图像推理）

以下代码展示了如何使用 HINet 进行单张图像的推理：

python basicsr/demo.py -opt options/demo/demo.yml

在 demo.yml 文件中，你需要指定输入图像路径和输出图像路径，以及预训练模型的路径。

3. 应用案例和最佳实践

图像去噪 - SIDD 数据集

1. 准备数据：

   mkdir /datasets/SIDD
   # 下载并解压 SIDD 数据集
   # 将数据集移动到 /datasets/SIDD/ 目录下
   

2. 数据预处理：

   python scripts/data_preparation/sidd.py
   

3. 下载预训练模型：

   # 下载预训练模型并放置在 /experiments/pretrained_models/HINet-SIDD-0.5x.pth
   

4. 测试：

   python basicsr/test.py -opt options/test/SIDD/HINet-SIDD-0.5x.yml
   

图像去模糊 - GoPro 数据集

1. 准备数据：

   mkdir /datasets/GoPro
   # 下载并解压 GoPro 数据集
   # 将数据集移动到 /datasets/GoPro/ 目录下
   

2. 数据预处理：

   python scripts/data_preparation/gopro.py
   

3. 下载预训练模型：

   # 下载预训练模型并放置在 /experiments/pretrained_models/HINet-GoPro.pth
   

4. 测试：

   python basicsr/test.py -opt options/test/GoPro/HINet-GoPro.yml
   

4. 典型生态项目

BasicSR

BasicSR 是一个开源的图像/视频恢复任务工具箱，HINet 基于 BasicSR 实现。BasicSR 提供了丰富的工具和功能，支持多种图像恢复任务的开发和研究。

NAFNet

NAFNet 是 Megvii 公司开发的另一个图像恢复网络，它提供了一个简单的基线，去除了非线性激活函数，但仍能达到最先进的性能。NAFNet 的代码和论文可以在 GitHub 上找到。

tlsc

tlsc 项目通过重新审视全局统计聚合，改进了图像恢复任务的性能。该项目揭示了训练阶段和测试阶段之间的特征分布偏移问题，并提供了相应的解决方案。

通过这些生态项目，开发者可以进一步扩展和优化 HINet 的功能，提升其在各种图像恢复任务中的表现。

HINet 项目地址: https://gitcode.com/gh_mirrors/hi/HINet