Skip to content

Latest commit

 

History

History
147 lines (98 loc) · 6.98 KB

README_cn.md

File metadata and controls

147 lines (98 loc) · 6.98 KB

Paddle-DSR:飞桨深度图超分辨开发套件

Paddle-DSR 是一款基于 PaddlePaddle 的深度图超分辨开发套件,是 PaddleDepth项目的成员之一。 它具有可扩展性,容易上手的特点,此外它在相同的数据集和环境下,以与原论文相符的训练配置,公平比较了深度图超分辨率领域以及图像超分辨率里SOTA(state-of-the-art)的算法

cones tskuba teddy venus

基准测试和模型库

作为初始版本,Paddle-DSR-Lab目前支持以下算法(点击下方超链接查看各个算法的详细使用教程)。

  1. WAFP-Net (IEEE Transactions on Multimedia 2021)[1]
  2. PMBANet (IEEE Transactions on Image Processing 2019)[2]
  3. RCAN (ECCV 2018)[3]
  4. DRN (CVPR 2020)[4]

安装

你可以根据如下步骤安装Paddle-DSR工具箱:

  • PaddlePaddle安装

    • 版本要求:PaddlePaddle>=2.2.0, Python>=3.7
  • Paddle-DSR-Lab安装,通过以下命令

git clone https://github.com/PaddlePaddle/PaddleDepth.git
cd Depth_super_resolution
pip install -r requirements.txt

数据集准备

你可以参照数据集准备文件夹下的训练集测试集数据准备文档来进行相关模型的数据集准备

如何使用

训练模型

python -u tools/main.py --config-file $file_path$
  • config-file参数为训练模型的配置文件路径
  • 若有预训练权重进行finetune,则运行以下命令启动训练,load参数为预训练权重的路径
python -u tools/main.py --config-file $file_path$ --load $weight_path$
  • 若训练中断,需要恢复训练,则运行以下命令,resume参数为checkpoint路径
python -u tools/main.py --config-file $file_path$ --resume $checkpoint_path$

测试模型

python -u tools/main.py --config-file $file_path$ --evaluate-only --load $weight_path$

定制化算法

Paddle-DSR-Lab的文件结构如下所示

Paddle-DSR-Lab
    │  README.md                # 英文说明文档
    │  README_cn.md             # 中文说明文档
    │  requirements.txt         # 安装依赖文件
    ├─configs                   # 配置文件
    ├─data                      # 数据处理
    │  ├─process_DocumentIMG    # 处理百度网盘超分比赛数据
    │  ├─process_pmba           # 处理PMBA所用数据
    │  └─process_wafp           # 处理WAFP所用数据
    ├─docs                      # 模型以及数据集的介绍文档
    ├─ppdsr 
    │  ├─datasets               # 数据类定义、加载相关
    │  │  └─preprocess          # 数据增强相关
    │  ├─engine                 # 训练、测试总体代码
    │  ├─metrics                # 评估指标相关
    │  ├─models                 # 模型相关
    │  │  ├─backbones           # 可共用的模型backbone
    │  │  ├─criterions          # 损失函数
    │  │  └─generators          # 模型组网文件
    │  ├─modules                # 组网辅助文件,如参数初始化等
    │  ├─solver                 # 优化器相关
    │  └─utils                  # 数据读取、日志显示等辅助工具
    └─tools                     # 训练、测试启动工具

你可以按照如下步骤开发自己的算法:

  1. 检查你的模型是否需要新的损失函数来进行训练,如果有把损失函数加入到 ppdsr/models/criterions
  2. 检查你是否需要新增模型来进行训练,如果有把模型加入到 ppdsr/models
  3. 检查你是否需要新增数据集处理方式来进行训练,如果有把数据集加入到 ppdsr/datasets
  4. configs中,加入你自己的配置文件(.yaml)

结果

我们在使用teddyconestskubavenus四张深度图作为测试集DSR-TestData,评测了Paddle-DSR已经实现的算法.

注意: 我们并没有通过额外的技巧来优化模型结果,因此你可以直接使用.yaml的配置文件来复现我们在表格中报告的精度

DSR-TestData

Model PSNR SSIM RMSE MAD size
WAFP-Net [1] 42.0344 0.9834 2.5561 0.9246 3M
PMBANet [2] 41.0418 0.9825 2.4728 0.6278 94.9M
RCAN [3] 42.5297 0.9850 2.4401 0.6685 59.6M
DRN [4] 42.4906 0.9850 2.4634 0.6506 18.4M

贡献

Paddle-DSR工具箱目前还在积极维护与完善过程中。 我们非常欢迎外部开发者为Paddle-DSR-Lab提供新功能\模型。 如果您有这方面的意愿的话,请往我们的邮箱或者issue里面反馈

参考文献

[1] Song, Xibin, Dingfu Zhou, Wei Li, Yuchao Dai, Liu Liu, Hongdong Li, Ruigang Yang, and Liangjun Zhang. ‘WAFP-Net: Weighted Attention Fusion Based Progressive Residual Learning for Depth Map Super-Resolution’. IEEE Transactions on Multimedia 24 (2022): 4113–27. https://doi.org/10.1109/TMM.2021.3118282. .

[2] Ye, Xinchen, Baoli Sun, Zhihui Wang, Jingyu Yang, Rui Xu, Haojie Li, and Baopu Li. ‘PMBANet: Progressive Multi-Branch Aggregation Network for Scene Depth Super-Resolution’. IEEE Transactions on Image Processing 29 (2020): 7427–42. https://doi.org/10.1109/TIP.2020.3002664.

[3] Zhang, Yulun, Kunpeng Li, Kai Li, Lichen Wang, Bineng Zhong, and Yun Fu. ‘Image Super-Resolution Using Very Deep Residual Channel Attention Networks’. In Computer Vision – ECCV 2018, edited by Vittorio Ferrari, Martial Hebert, Cristian Sminchisescu, and Yair Weiss, 11211:294–310. Lecture Notes in Computer Science. Cham: Springer International Publishing, 2018. https://doi.org/10.1007/978-3-030-01234-2_18.

[4] Guo, Yong, Jian Chen, Jingdong Wang, Qi Chen, Jiezhang Cao, Zeshuai Deng, Yanwu Xu, and Mingkui Tan. ‘Closed-Loop Matters: Dual Regression Networks for Single Image Super-Resolution’. In 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 5406–15. Seattle, WA, USA: IEEE, 2020. https://doi.org/10.1109/CVPR42600.2020.00545.

联系方式