NAFNet图像修复方法介绍

NAFNet是一个没有激活函数的神经网络。目前，在图像修复领域有多种类型的网络结构。

第一，多阶段的结构。如图所示，两个u型网络中间做连接，输入尺寸为。U型网络会在左侧做降采样，特征会变为(H/2)*(W/2)，再做一次降采样变为(H/4)*(W/4)，然后在解码阶段将分辨率进行还原。多级网络看起来复杂，但实际实现较为简单。

第二，多尺度融合结构。它与多阶段结构的最大区别在于，多阶段结构的输入只有，但它有三种尺寸的输入，可提高网络的表达，输入的信息越多，恢复能力越强。整体结构依然属于U型网络。

第三，UNet结构。其最为简单但有效，只有输入、输出，U型结构中间有跳连接。

Block是上述三种结构的基本单元，多由卷积组成。

最左侧Restormer架构的输入是LayerNorm层，接着是一个标准的self-attention结构（3个1x1的卷积分别提取key、query、value特征，key与query特征计算相似度后经过softmax归一化）。整体的大结构上做跳连接（残差连接），下半部分也是残差结构。

PlainNet的结构更简单，由两个标准残差模块组成。Baseline相对于PlainNet，其模仿了transformer，添加了LayerNorm层，将激活函数由原先的ReLU换为GELU。

NAFNet相较于Baseline，用SimpleGate取代了CELU，用SCA取代了CA。

Channel Attention（CA）主要对输入的特征图（H、C、W的3D形状）在H和W维度上求平均值，变为向量。之后接了两个卷积再经过激活函数变为新的向量，值为0到1（也可理解为权重），将权重重新乘回输入特征，相当于在输入特征的通道维度上做了重新加权，得到新特征。

而Simple Channel Attention（SCA）取消了原先Channel Attention中间2层的卷积以及激活函数，替换为1x1的卷积操作。

Simple Gate会将HxWxC的输入平均分为两份C/2xHxW，将两者相乘得到新的特征，并以此替代激活函数。

手机图像去噪训练及评估

手机图像去噪的数据集是成对的（有噪图和清晰图），本文使用的数据集是智能手机图像去噪训练数据集SIDD（Smart Image Denoising Dataset）。训练数据的格式是常见的图片格式PNG，共有320对图，噪声图和干净图一一对应。

进入ModelScope官网，搜索“数据集-智能手机图像去噪数据集”。

点击数据预览，default子数据集下，左侧为有噪图，右侧为清晰图。

另外，我们还提供了crops子数据集，主要供训练使用。原始的320对图对分辨率较大，数据加载时会存在读取瓶颈，因此，我们将大分辨率的图裁剪为图像用于训练，提高加载速度，也提高训练速度。

去噪的核心代码如上图。图片地址可以是本地路径，也可以是网络路径。然后定义一个去噪的pipeline，包含两个参数，分别是任务和model_id。model_id在对应模型名称下方，直接复制即可。

然后将图片输入pipeline中，输出去噪后图像保存到当前路径下。

在ModelScope官网搜索NAFNet图像去噪模型，点击右上角“Notebook快速开发”，选择CPU/GPU环境，填入相关信息。

在模型详情页复制相关代码至notebook。

运行代码即可。

下面进行模型训练。

首先，指定当前的工作目录（如：‘./20230424’），如果没有工作目录则会新建。然后指定model_id，snapshot_download函数会将model_id对应的所有模型文件全部下载到cache_dir，调用Config.from_file函数可以读取其中的模型配置文件。

自动下载的模型文件如上图所示。

通过MsDataset.load下载modelscope上的数据集。SIDD指数据集名称，namespace指数据集的所属，subset_name指子数据集，可选default和crops，split指用途，可选test、validation和train。另外，还需要将数据集转换为标准的PyTorch支持的加载方式。

以上图为例，数据集名称和数据集所属分别是SIDD和huizheng。

如果需要加载本地的数据集，调用本地自己写的数据集加载类，可以参考上图代码。继承PyTorch的Dataset类，定义CustomImageDataset类，然后实现三个函数：

●初始化函数__init__，负责读取配置文件以及文件路径。

●__len__函数，返回数据集的长度。比如数据集中有100张图片，则返回100。

●__getitem__函数，输入index，读取对应标号的图片并返回tensor。

下载使用其他数据集的方法参考上图。

训练配置的参数如上图。

batch_size_per_gpu的设置与GPU的显存相关，一般建议为。worker_per_gpu与CPU相关核数相关，影响数据集加载的速度。

优化器能够支持反向传播，将损失先变为梯度，然后反向传播梯度。学习率用于控制每次迭代的步长。weight_decay为参数正则化系数，在分类网络中可以提升网络泛化性。

参数写在了config文件中，如果想要修改参数，可以通cfg_modify_fn实现，修改方式参考上图。另外，需要将参数传入训练器，参数以字典（键值对的形式）传入。传入的参数有model_id、训练集、验证集、工作目录以及cfg_modify_fn函数，传入cfg_modify_fn函数后即可自动修改超参数。

执行训练后，执行日志如上图所示。epoch[1][87/512]表示epoch为1，共需要训练512条数据，当前为第87条；eta和iter_time分别表示剩余时间和迭代时间，data_load_time表示数据加载时间，memory表示显存消耗，loss表示损失函数。

训练后如果需要进行模型评估，可参考上图代码。其中tmp_dir=‘./20230424/output’指定训练后的模型文件路径。

验证模型训练后的结果，代码如上图。

先定义数据集，然后调用SiddImageDenoisingDataset将数据集转为PyTorch数据加载类，并将其传入字典kwargs。model=tmp_dir，即前文的’./20230424/output’。train_dataset设置为none，即没有训练数据集。将参数全部传入trainer类，最后调用trainer.evaluate方法即可进行评估，最后打印评估结果。

执行结果如上图。

使用训练好的模型进行推理的代码如上图。它与直接运行测试的代码不同点在于定义pipeline。直接运行的代码如上图中被注释的部分，直接指定model_id，会默认自动下载；而使用训练好的模型进行测试，可以将此前的model_id替换为存放模型配置文件的目录，也可以导入ImageDenoisePipeline，然后指定保存目录的路径。