可逆图像去噪——InvDN模型推理测试

可逆图像去噪——InvDN模型推理测试_第1张图片

性能:InvDN的去噪性能优于多数现有的竞争模型,在SIDD数据集上实现了新的先进的结果,同时享受更少的运行时间。这表明该方法在处理真实噪声问题上具有很高的效率和准确性。

模型大小:此外,InvDN的大小远小于DANet,只有4.2%的参数数量。这意味着该模型在保持高性能的同时,还具有较小的模型大小,这对于部署在资源有限的设备上非常有利。

生成噪声:通过操纵噪声潜在表示,InvDN还能够生成与原始噪声更相似的噪声。这表明该方法不仅可以去除噪声,还可以用于生成噪声,增加了其应用的灵活性。

目录

  • 一、源码包
  • 二、输入数据到网络
    • 2.1 读取.mat数据
      • 2.1.1修改配置文件
      • 2.1.2参数修改
    • 2.2 CV2 读取数据
      • 2.2.1 修改参数
      • 2.2.2 推理速度测试
  • 三、测试结果
  • 四、总结

一、源码包

官网地址:InvDN
论文地址:论文
官方提供的源码包直接使用有些问题,我自己修改调试了代码,建议学者直接使用我提供的源码包测试:网盘源码包,提取码:4qs2

二、输入数据到网络

官网给的脚本默认读取方式是.mat数据,也可以自己修改读入代码,修改为使用OpenCV读取,在我提供的源码包中有两个脚本文件,分别为两种读取方式。

2.1 读取.mat数据

使用该方法,需要先将测试图片.png或者.jpg转为.mat格式数据。

.mat格式数据的制作教程,学者看我的另外一篇博客:.mat数据制作

转换为.mat格式数据的脚本也在我提供的源码包中:

可逆图像去噪——InvDN模型推理测试_第2张图片

在我提供的源码包里有一个我已经制作好的.mat文件,如下:

可逆图像去噪——InvDN模型推理测试_第3张图片

2.1.1修改配置文件

配置文件位置如下:

可逆图像去噪——InvDN模型推理测试_第4张图片

可逆图像去噪——InvDN模型推理测试_第5张图片

上面的预训练权重在我提供的源码包中pretrained文件夹下:

可逆图像去噪——InvDN模型推理测试_第6张图片

2.1.2参数修改

为了Debug调试方便,我把配置文件路径直接添加到了test_Real_Single.py文件中,如下:

可逆图像去噪——InvDN模型推理测试_第7张图片
可逆图像去噪——InvDN模型推理测试_第8张图片
修改好上面参数后直接运行脚本

可逆图像去噪——InvDN模型推理测试_第9张图片
可逆图像去噪——InvDN模型推理测试_第10张图片

运行结束后会在resurt_imags文件下获得测试结果:

可逆图像去噪——InvDN模型推理测试_第11张图片

2.2 CV2 读取数据

上面的这种方法,需要先转为.mat格式才能读取,这里改了的读取代码,使用OpenCv2直接读取图片推理测试。

2.2.1 修改参数

学者使用的时候,只需要修改导入噪声图像的路径即可,如下:

可逆图像去噪——InvDN模型推理测试_第12张图片

运行结束后同样会在resurt_imags文件下保存推理结果。

2.2.2 推理速度测试

该脚本文件中加了测试推理时间的代码,如下,在GPU上测试的结果:

可逆图像去噪——InvDN模型推理测试_第13张图片

可逆图像去噪——InvDN模型推理测试_第14张图片

三、测试结果

可逆图像去噪——InvDN模型推理测试_第15张图片
可逆图像去噪——InvDN模型推理测试_第16张图片

可逆图像去噪——InvDN模型推理测试_第17张图片

四、总结

以上就是可逆图像去噪——InvDN模型推理测试的过程,我没有训练,目前只是测试的该方法效果。

总结不易,多多支持,谢谢!

你可能感兴趣的:(图像去噪,python,深度学习,python,深度学习)