图像恢复项目安装与配置指南

图像恢复项目安装与配置指南

image-restoration-sde Image Restoration with Mean-Reverting Stochastic Differential Equations, ICML 2023. Winning solution of the NTIRE 2023 Image Shadow Removal Challenge. 项目地址: https://gitcode.com/gh_mirrors/im/image-restoration-sde

1. 项目基础介绍和主要编程语言

项目基础介绍

本项目名为“图像恢复与随机微分方程”（Image Restoration with Mean-Reverting Stochastic Differential Equations），简称IR-SDE。该项目在ICML 2023上发表，并获得了NTIRE 2023图像阴影去除挑战赛的冠军。IR-SDE项目旨在通过随机微分方程（SDE）的方法，实现图像的恢复，包括去噪、去模糊、去雨、去雾等多种任务。

主要编程语言

该项目主要使用Python编程语言进行开发。

2. 项目使用的关键技术和框架

关键技术

• 随机微分方程（SDE）：项目核心技术，用于图像恢复过程。
• 扩散模型：用于处理图像的降质过程。
• 图像恢复：包括去噪、去模糊、去雨、去雾等多种任务。

框架

• PyTorch：主要深度学习框架，用于模型的训练和推理。
• CUDA：用于GPU加速计算。

3. 项目安装和配置的准备工作和详细的安装步骤

准备工作

在开始安装之前，请确保您的系统满足以下要求：

• 操作系统：Ubuntu 20.04
• GPU：NVIDIA GPU，CUDA 11.7，cuDNN 8.5.0
• Python：Python 3.x
• PyTorch：版本 >= 1.13.0

安装步骤

1. 克隆项目仓库

首先，从GitHub克隆项目仓库到本地：

git clone https://github.com/Algolzw/image-restoration-sde.git
cd image-restoration-sde

2. 创建虚拟环境（可选）

为了隔离项目依赖，建议创建一个Python虚拟环境：

python3 -m venv ir-sde-env
source ir-sde-env/bin/activate

3. 安装依赖包

使用项目提供的requirements.txt文件安装所有依赖包：

pip install -r requirements.txt

4. 配置CUDA和cuDNN

确保您的系统已正确安装并配置CUDA和cuDNN。可以通过以下命令检查CUDA版本：

nvcc --version

5. 下载预训练模型（可选）

如果需要使用预训练模型，可以从项目提供的链接下载，并将模型文件放置在models目录下。

6. 运行示例代码

项目提供了一个示例代码，用于图像去雨任务。您可以通过以下命令运行示例代码：

cd codes/config/deraining
python3 train.py -opt=options/train/ir-sde.yml

7. 测试模型

完成训练后，您可以通过以下命令测试模型：

python test.py -opt=options/test/ir-sde.yml

注意事项

• 在运行代码之前，请确保所有路径配置正确，特别是数据集路径。
• 如果使用多GPU训练，请确保在选项文件中正确配置gpu_ids。

通过以上步骤，您应该能够成功安装并配置IR-SDE项目，并开始进行图像恢复任务的训练和测试。

image-restoration-sde Image Restoration with Mean-Reverting Stochastic Differential Equations, ICML 2023. Winning solution of the NTIRE 2023 Image Shadow Removal Challenge. 项目地址: https://gitcode.com/gh_mirrors/im/image-restoration-sde