深度HDR重建开源项目指南
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:
- 确认Python版本: 需要确保你的Python版本至少为3.6。
- 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。 - 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:
- 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。 - 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:
如果没有CUDA环境,使用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
--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:
- 启动Jupyter: 确保已安装Jupyter,通过终端命令
jupyter notebook
启动服务。 - 打开Notebook: 浏览器中会列出项目中的所有notebook,选择
hdr_reconstruction.ipynb
打开。 - 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。