深度HDR重建开源项目指南

深度HDR重建开源项目指南

Deep-HdrReconstruction Official PyTorch implementation of "Single Image HDR Reconstruction Using a CNN with Masked Features and Perceptual Loss" (SIGGRAPH 2020) 项目地址: https://gitcode.com/gh_mirrors/de/Deep-HdrReconstruction

项目基础介绍

项目名称: Deep-HdrReconstruction
主编程语言: Python, 使用PyTorch框架

本项目是SIGGRAPH 2020会议论文《Single Image HDR Reconstruction Using a CNN with Masked Features and Perceptual Loss》的官方实现，提出了一种利用深度学习方法从单张低动态范围(LDR)图像恢复高动态范围(HDR)图像的新策略。该方法能够以视觉愉悦的方式复原饱和像素，适用于重建高亮度区域，如窗户的明亮高光，并生成细腻的纹理和细节。

新手使用注意事项及解决步骤

注意事项1：环境配置

问题描述: 环境不兼容可能导致运行错误。 解决步骤:

1. 确认Python版本: 需要确保你的Python版本至少为3.6。
2. 安装PyTorch: 项目的开发基于PyTorch 1.2，使用conda或pip安装相应版本的PyTorch和torchvision。
3. 额外依赖: 安装OpenCV, NumPy, tensorboardX, tqdm, Pillow, 并且确保系统中已正确安装pyexr和OpenEXR库。如果遇到依赖问题，可以参考requirements.txt文件，并通过pip install -r requirements.txt进行安装。

注意事项2：下载预训练模型

问题描述: 不知道如何获取并使用预训练模型。 解决步骤:

1. 访问Google Drive: 预训练模型存放在Google Drive的checkpoints文件夹下，需自行下载到本地。
2. 运行测试脚本: 设置好测试目录(test_dir)、输出目录(out_dir)以及权重路径(weights), 使用以下命令执行测试：

   CUDA_VISIBLE_DEVICES=1 python test_hdr.py --test_dir <图片目录> --out_dir <输出目录> --weights <模型权重路径>.pth
   

   如果没有CUDA环境，使用--cpu选项。

注意事项3：运行Jupyter Notebook

问题描述: 不熟悉如何使用提供的Jupyter Notebook。 解决步骤:

1. 启动Jupyter: 确保已安装Jupyter，通过终端命令jupyter notebook启动服务。
2. 打开Notebook: 浏览器中会列出项目中的所有notebook，选择hdr_reconstruction.ipynb打开。
3. 按照说明操作: 步骤通常包括数据加载、模型设置、训练或推断等，仔细阅读每一步注释，按指示进行即可。

通过以上步骤，即使作为初学者也能顺利上手此项目，探索深度学习在HDR图像重建领域的应用。记得，在实际操作过程中，细心阅读文档和代码注释，这将帮助你更好地理解和解决问题。

Deep-HdrReconstruction Official PyTorch implementation of "Single Image HDR Reconstruction Using a CNN with Masked Features and Perceptual Loss" (SIGGRAPH 2020) 项目地址: https://gitcode.com/gh_mirrors/de/Deep-HdrReconstruction