NAFNet Download - NAFNet -Quellcode herunterladen

NAFNet

Python

1.0.0

Herunterladen

NAFNET: Nichtlinearer Aktivierungsfree Netzwerk für die Bildwiederherstellung

Die offizielle Pytorch -Implementierung des Papiers einfache Baselines für die Bildwiederherstellung (ECCV2022)

Liannyu Chen, Xiaojie Chu, Xiangyu Zhang, Jian Sun

Obwohl in letzter Zeit erhebliche Fortschritte auf dem Gebiet der Bildwiederherstellung erzielt wurden, nimmt auch die Systemkomplexität der SOTA-Methoden (SOTA) zu, was die bequeme Analyse und den Vergleich von Methoden behindern kann. In diesem Artikel schlagen wir eine einfache Grundlinie vor, die die SOTA -Methoden überschreitet und rechnerisch effizient ist. Um die Basislinie weiter zu vereinfachen, zeigen wir, dass die nichtlinearen Aktivierungsfunktionen, z . Somit leiten wir ein nichtlineares Aktivierungs -freies Netzwerk, nämlich NAFNET, aus der Basislinie ab. SOTA -Ergebnisse werden zu verschiedenen herausfordernden Benchmarks erzielt, z. B. 33,69 dB PSNR auf GoPro (für das Bildentwickeln) und überschreiten die vorherigen SOTA 0,38 dB mit nur 8,4% seiner Rechenkosten. 40,30 dB PSNR auf SIDD (für das Bild -Denoising) und übersteigt den vorherigen SOTA 0,28 dB mit weniger als der Hälfte seiner Rechenkosten.


Denoise	Deblur	Stereosr (NAFSSR)

PSNR_VS_MACS

Nachricht

2022.08.02 Die Grundlinie, einschließlich der vorbereiteten Modelle und Zug-/Testkonfigurationen, sind ab sofort verfügbar.

2022.07.03 Verwandte Arbeiten, Verbesserung der Bildwiederherstellung durch Überprüfung der globalen Informationsaggregation (TLC, AKA TLSC in unserem Artikel) wird von ECCV2022 akzeptiert? . Code ist unter https://github.com/megvii-research/tlc verfügbar.

2022.07.03 Unser Papier wird von ECCV2022 akzeptiert?

2022.06.19 NAFSSR (als Challenge -Gewinner) wird für eine mündliche Präsentation bei CVPR 2022, NTIRE Workshop, ausgewählt? Präsentationsvideos, Folien und Poster sind ab sofort verfügbar.

2022.04.15 NAFNET-Basis-Stereo-Bild-Superauflösungslösung (NAFSSR) gewann den 1. Platz auf der NTIRE 2022 Stereo Image Super-Auflösung! Trainings-/Bewertungsanweisungen finden Sie hier.

Installation

Diese Implementierung basierend auf BasicsR, einer Open -Source -Toolbox für Bild-/Video -Wiederherstellungsaufgaben und Hinet

 python 3.9 .5
pytorch 1.11 .0
cuda 11.3

 git clone https://github.com/megvii-research/NAFNet
cd NAFNet
pip install -r requirements.txt
python setup.py develop --no_cuda_ext

Schneller Start

Bild Denoise Colab Demo:
Bild Deblur Colab Demo:
Stereobild Super-Auflösung Colab Demo:
Einzelbildinferenz -Demo:
- Bild denoise:
```
 python basicsr/demo.py -opt options/test/SIDD/NAFNet-width64.yml --input_path ./demo/noisy.png --output_path ./demo/denoise_img.png
```
- Bild Deblur:
```
 python basicsr/demo.py -opt options/test/REDS/NAFNet-width64.yml --input_path ./demo/blurry.jpg --output_path ./demo/deblur_img.png
```
- --input_path : Der Pfad des erniedrigten Bildes
- --output_path : Der Pfad zum Speichern des vorhergesagten Bildes
- Vorbereitete Modelle sollten heruntergeladen werden.
- In Umarmungsflächen integriert? mit Gradio. Probieren Sie die Web -Demo für eine Einzelbild -Wiederherstellung aus
Stereo -Bild -Inferenz -Demo:
- Stereobild Superauflösung:
```
 python basicsr/demo_ssr.py -opt options/test/NAFSSR/NAFSSR-L_4x.yml 
--input_l_path ./demo/lr_img_l.png --input_r_path ./demo/lr_img_r.png 
--output_l_path ./demo/sr_img_l.png --output_r_path ./demo/sr_img_r.png
```
- --input_l_path : Der Pfad des abgebauten linken Bildes
- --input_r_path : Der Pfad des erniedrigten rechten Bildes
- --output_l_path : Der Pfad zum Speichern des vorhergesagten linken Bilds
- --output_r_path : Der Pfad zum Speichern des vorhergesagten richtigen Bildes
- Vorbereitete Modelle sollten heruntergeladen werden.
- In Umarmungsflächen integriert? mit Gradio. Probieren Sie die Web-Demo für die Superauflösung von Stereo Image aus
Probieren Sie die Web -Demo mit allen drei Aufgaben hier aus:

Ergebnisse und vorgebildete Modelle

Name	Datensatz	PSNR	Ssim	Vorbereitete Modelle	Konfigurationen
Nafnet-Gopro-Width32	GoPro	32.8705	0,9606	DDRIVE \| 百度网盘	Zug \| prüfen
NAFNET-GOPRO-WIDTHTH64	GoPro	33.7103	0,9668	DDRIVE \| 百度网盘	Zug \| prüfen
NAFNET-SIDD-WIDTHTH32	Sidd	39,9672	0,9599	DDRIVE \| 百度网盘	Zug \| prüfen
NAFNET-SIDD-WIDTHTH64	Sidd	40.3045	0,9614	DDRIVE \| 百度网盘	Zug \| prüfen
Nafnet-Reds-Width64	Rote	29.0903	0,8671	DDRIVE \| 百度网盘	Zug \| prüfen
NAFSSR-L_4X	FlickR1024	24.17	0,7589	DDRIVE \| 百度网盘	Zug \| prüfen
NAFSSR-L_2X	FlickR1024	29.68	0,9221	DDRIVE \| 百度网盘	Zug \| prüfen
Basislinien-Gopro-Width32	GoPro	32.4799	0,9575	DDRIVE \| 百度网盘	Zug \| prüfen
Basislinien-Gopro-Width64	GoPro	33.3960	0,9649	DDRIVE \| 百度网盘	Zug \| prüfen
Basislinien-SIDD-Widthth32	Sidd	39,8857	0,9596	DDRIVE \| 百度网盘	Zug \| prüfen
Basislinien-SIDD-Widthth64	Sidd	40.2970	0,9617	DDRIVE \| 百度网盘	Zug \| prüfen

Bildrestaurationsaufgaben

Aufgabe	Datensatz	Zug-/Testanweisungen	Visualisierungsergebnisse
Bildenteilung	GoPro	Link	DDRIVE \| 百度网盘
Bild -Denoising	Sidd	Link	DDRIVE \| 百度网盘
Bildenteilung mit JPEG -Artefakten	Rote	Link	DDRIVE \| 百度网盘
Stereobild Superauflösung	FlickR1024+Middlebury	Link	DDRIVE \| 百度网盘

Zitate

Wenn NAFNET Ihre Recherche oder Arbeiten hilft, sollten Sie NAFNET zitieren.

 @article{chen2022simple,
  title={Simple Baselines for Image Restoration},
  author={Chen, Liangyu and Chu, Xiaojie and Zhang, Xiangyu and Sun, Jian},
  journal={arXiv preprint arXiv:2204.04676},
  year={2022}
}

Wenn NAFSSR Ihre Recherche oder Arbeiten hilft, sollten Sie NAFSSR zitieren.

 @InProceedings{chu2022nafssr,
    author    = {Chu, Xiaojie and Chen, Liangyu and Yu, Wenqing},
    title     = {NAFSSR: Stereo Image Super-Resolution Using NAFNet},
    booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops},
    month     = {June},
    year      = {2022},
    pages     = {1239-1248}
}