Unduh NAFNet - Unduh Kode Sumber NAFNet

NAFNet

ular piton

1.0.0

Unduh

NAFNET: Jaringan bebas aktivasi nonlinier untuk pemulihan gambar

Implementasi Pytorch resmi dari kertas baseline sederhana untuk restorasi gambar (ECCV2022)

Liangyu Chen, Xiaojie Chu, Xiangyu Zhang, Jian Sun

Meskipun ada kemajuan yang signifikan di bidang restorasi gambar baru-baru ini, kompleksitas sistem metode canggih (SOTA) juga meningkat, yang dapat menghambat analisis dan perbandingan metode yang nyaman. Dalam makalah ini, kami mengusulkan garis dasar sederhana yang melebihi metode SOTA dan efisien secara komputasi. Untuk lebih menyederhanakan baseline, kami mengungkapkan bahwa fungsi aktivasi nonlinier, misalnya sigmoid, relu, gelu, softmax, dll. Tidak diperlukan : mereka dapat diganti dengan perkalian atau dihapus. Dengan demikian, kami memperoleh jaringan bebas aktivasi nonlinier, yaitu NAFNET, dari baseline. Hasil SOTA dicapai pada berbagai tolok ukur yang menantang, misalnya 33,69 dB PSNR pada GoPro (untuk deblurring gambar), melebihi SOTA sebelumnya 0,38 dB dengan hanya 8,4% dari biaya komputasi; 40.30 dB PSNR di SIDD (untuk Denoising Gambar), melebihi SOTA sebelumnya 0,28 dB dengan kurang dari setengah biaya komputasi.


Denoise	Deblan	Stereosr (NAFSSR)

Psnr_vs_macs

Berita

2022.08.02 Baseline, termasuk model pretrained dan konfigurasi kereta/uji, tersedia sekarang.

2022.07.03 Pekerjaan Terkait, Meningkatkan Pemulihan Gambar Dengan Meninjau kembali Agregasi Informasi Global (TLC, alias TLSC dalam makalah kami) diterima oleh ECCV2022 ? . Kode tersedia di https://github.com/megvii-research/tlc.

2022.07.03 Makalah kami diterima oleh ECCV2022 ?

2022.06.19 NAFSSR (sebagai pemenang tantangan) dipilih untuk presentasi oral di CVPR 2022, NTIRE Workshop? Video presentasi, slide dan poster tersedia sekarang.

2022.04.15 Solusi Super-Resolution Gambar Stereo Basis NAFNet (NAFSSR) memenangkan tempat pertama di NTIRE 2022 Stereo Image Super-Resolution Challenge! Instruksi Pelatihan/Evaluasi Lihat di sini.

Instalasi

Implementasi ini berdasarkan dasar -dasar yang merupakan kotak alat sumber terbuka untuk tugas restorasi gambar/video dan 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

Awal yang cepat

Demo Denoise Colab:
Demo Deblur Colab DEBLUR:
Gambar stereo Demo Colab Super-Resolution:
Demo Inferensi Gambar Tunggal:
- Gambar Denoise:
```
 python basicsr/demo.py -opt options/test/SIDD/NAFNet-width64.yml --input_path ./demo/noisy.png --output_path ./demo/denoise_img.png
```
- Image 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 : jalur gambar yang terdegradasi
- --output_path : jalur untuk menyimpan gambar yang diprediksi
- Model pretrain harus diunduh.
- Terintegrasi ke dalam ruang pelukan? menggunakan gradio. Cobalah demo web untuk restorasi gambar tunggal
Demo Inferensi Gambar Stereo:
- Stereo Image Super-Resolution:
```
 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 : Jalur gambar kiri yang terdegradasi
- --input_r_path : jalur gambar kanan yang terdegradasi
- --output_l_path : Jalur untuk menyimpan gambar kiri yang diprediksi
- --output_r_path : jalur untuk menyimpan gambar kanan yang diprediksi
- Model pretrain harus diunduh.
- Terintegrasi ke dalam ruang pelukan? menggunakan gradio. Coba Demo Web untuk Stereo Image Super-Resolution
Coba demo web dengan ketiga tugas di sini:

Hasil dan model pra-terlatih

nama	Dataset	Psnr	SSIM	model pretrained	konfigurasi
Nafnet-gopro-width32	GoPro	32.8705	0.9606	gdrive \| 百度网盘	kereta \| tes
Nafnet-gopro-width64	GoPro	33.7103	0.9668	gdrive \| 百度网盘	kereta \| tes
Nafnet-sidd-width32	Sidd	39.9672	0.9599	gdrive \| 百度网盘	kereta \| tes
Nafnet-sidd-width64	Sidd	40.3045	0.9614	gdrive \| 百度网盘	kereta \| tes
Nafnet-reds-width64	Merah	29.0903	0.8671	gdrive \| 百度网盘	kereta \| tes
NAFSSR-L_4X	Flickr1024	24.17	0.7589	gdrive \| 百度网盘	kereta \| tes
NAFSSR-L_2X	Flickr1024	29.68	0.9221	gdrive \| 百度网盘	kereta \| tes
Baseline-gopro-width32	GoPro	32.4799	0.9575	gdrive \| 百度网盘	kereta \| tes
Baseline-gopro-width64	GoPro	33.3960	0.9649	gdrive \| 百度网盘	kereta \| tes
Baseline-Sidd-Width32	Sidd	39.8857	0.9596	gdrive \| 百度网盘	kereta \| tes
Baseline-SIDD-WIDTH64	Sidd	40.2970	0.9617	gdrive \| 百度网盘	kereta \| tes

Tugas Pemulihan Gambar

Tugas	Dataset	Instruksi kereta/tes	Hasil Visualisasi
Gambar deblurring	GoPro	link	gdrive \| 百度网盘
Gambar denoising	Sidd	link	gdrive \| 百度网盘
Gambar deblurring dengan artefak jpeg	Merah	link	gdrive \| 百度网盘
Stereo Image Super-Resolution	Flickr1024+Middlebury	link	gdrive \| 百度网盘

Kutipan

Jika NAFNET membantu meneliti atau bekerja, silakan pertimbangkan mengutip Nafnet.

 @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}
}

Jika NAFSSR membantu meneliti atau bekerja, silakan pertimbangkan mengutip NAFSSR.

 @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}
}