过于老旧的pytorch_ssim包 请从github下载源码

已于 2024-03-03 17:03:26 修改
阅读量1k 收藏 7
点赞数 10
分类专栏： 报错 文章标签： pytorch 人工智能 python SSIM Github
于 2024-03-03 17:00:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/horsetaill/article/details/136434117
版权

有些冷门算法真的不要随便pip，有可能下载到史前版本…最好还是找源代码 汗

今天要用到SSIM损失函数，从网上简单看了一下原理就想测试一下，偷了一下懒就直接在命令行输入pip install pytorch_ssim了，结果报了一堆错误（汗），正如这篇博文所说博文在此，传入Conv2D中的padding是浮点数，然而这样做完之后还会报错，差不多是说img和window不在一个运行设备上，我这边是window张量没有在gpu上，结果我用了.cuda()之后还是不管用，然后我就去github上看了一下，才发现这个pip包的版本太落后了。于是我重新下载覆盖之后，成功运行了！感谢！

点我github源码
过于落后的版本

后话：如果你想使用github上给出的案例，请你仿照知乎上这位给出的改进版本，源代码会报错。点这里

【图像去噪】论文复现：非对称可调盲点+蒸馏提升BSN网络性能！AT-BSN的Pytorch源码复现，跑通全流程源码，得到去噪结果图像和PSNR/SSIM，结构示意图与源码实现对应，注释详细，思路清晰！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
02-17 850
论文题目：Exploring Efficient Asymmetric Blind-Spots for Self-Supervised Denoising in Real-World Scenarios —— 探索在现实场景中自监督去噪的高效非对称盲点【图像去噪】论文精读：Exploring Efficient Asymmetric Blind-Spots for Self-Supervised Denoising in Real-World Sc。
【图像去噪】论文复现：传统方法与深度学习方法结合的无监督去噪算法！单图像无监督去噪算法NN+denoiser的Pytorch源码复现，跑通源码，得到去噪结果和PSNR/SSIM，单卡可跑！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
02-15 152
论文题目：An Unsupervised Deep Learning Approach for Real-World Image Denoising —— 一种用于真实世界图像去噪的无监督深度学习方法【图像去噪】论文精读：An Unsupervised Deep Learning Approach for Real-World Image Denoising（NN+denoiser）由于是早期的无监督单图像去噪方法，所以本文以跑出结果为目的，用作实验中的对比方法。
Pytorch安装问题：pip3 install torchvision报错解决
03-28
在已有anaconda条件下再次安装新的anaconda遇到问题并解决。
关于pytorch_ssim_3D计算包的导入问题
weixin_45494054的博客
06-25 554
pytorch_ssim_3D
探索PyTorch MSSSIM：一种深度学习图像质量评估工具
gitblog_00077的博客
04-25 1915
探索PyTorch MSSSIM：一种深度学习图像质量评估工具 项目地址:https://gitcode.com/gh_mirrors/py/pytorch-msssim 在现代计算机视觉领域，尤其是在深度学习图像处理中，评估模型生成的图像质量至关重要。传统的评价指标如均方误差（MSE）和峰值信噪比（PSNR）往往无法全面反映人类视觉系统的感知。而PyTorch MSSSIM 是一个用于计算多尺度...
pytorch_ssim.ssim() TypeError: conv2d() received an invalid combination of arguments - got (Tensor,
luemeon的博客
12-19 4439
该函数目前只接受一对图片作为输入，而不是整个epoch，因此在验证集批处理大小> 1 的情况下不可用。
SSIM加入网络中
ywwhouhouhou的博客
05-10 299
SSIM
【pytorch】Animatable 3D Gaussian+源码解读（二）
XYQjiayou的博客
02-24 735
处理数据集
【图像超分】论文复现：大核频率增强网络LKFN的Pytorch源码复现，跑通源码，获得与论文一致的PSNR/SSIM、Params、FLOPs、超分可视化结果，对比LKFN和LKDN，学习改进思路！
最新发布
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
05-15 47
本文介绍了关于超分辨率重建的专栏内容，重点讲解了LKFN（Large Kernel Frequency-enhanced Network）模型的实现与应用。专栏提供了详细的代码和训练好的模型权重文件，适合对图像超分辨率技术感兴趣的读者。文章首先介绍了LKFN模型的架构和实现流程，包括从源码跑通到获得与论文一致的PSNR/SSIM等指标。接着，详细说明了数据集的准备和测试步骤，提供了测试和训练的具体配置文件和命令。通过对比LKFN和LKDN模型，读者可以学习到改进思路。专栏还汇总了相关论文、代码和数据集，帮助
【图像去噪】论文复现：新手入门必看！DnCNN的Pytorch源码训练测试全流程解析！为源码做详细注释！补充DnCNN-B和DnCNN-3的模型训练和测试！附各种情况下训练好的模型权重文件！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
08-12 1万+
- 以官方Pytorch源代码为基础，在DnCNN-S的基础上，增添DnCNN-B/CDnCNN-B、DnCNN-3模型训练和测试复现，代码注释非常详细，无论是科研还是应用，新手小白都能看懂，学习阅读毫无压力，去噪入门必备，适用于去噪、超分、JPEG去块任务； - 提供新增后的完整代码和训练好的模型权重文件，模型性能与论文中近似，可不训练直接测试； - 理论和源码结合，进一步加深理解算法原理、明确训练和测试流程 - 更换路径和相关参数即可训练自己的图像数据集
pytorch ssim计算
qq_43369406的博客
02-25 1万+
在PyTorch中，可以使用 torchvision 库中的 SSIM 函数来计算结构相似性指数 (SSIM)。其中，参数的含义如下：data_range：输入数据的范围，通常为1.0或255.0。win_size：滑动窗口的大小。win_sigma：滑动窗口的高斯核标准差。k1、k2：SSIM计算公式中的常数。nonnegative_ssim：是否将SSIM限制在非负数范围内。eps：数值稳定性的参数。
PyTorch-MSSSIM 项目常见问题解决方案
gitblog_07758的博客
09-13 1014
PyTorch-MSSSIM 项目常见问题解决方案 pytorch-msssim Fast and differentiable MS-SSIM and SSIM for pytorch. 项目地址: https://gitcod...
PyTorch MS-SSIM 使用教程
gitblog_01184的博客
08-08 2670
PyTorch MS-SSIM 使用教程 项目地址:https://gitcode.com/gh_mirrors/py/pytorch-msssim 项目介绍 PyTorch MS-SSIM 是一个用于计算多尺度结构相似性（MS-SSIM）和结构相似性（SSIM）指数的快速且可微分的工具。该项目基于 PyTorch 框架，提供了与 TensorFlow 和 scikit-image 相一致的结果。...
PyTorch的下载
k17817964025的博客
03-06 1399
第一步，安装Python 安装Python时，尽量安装Python3.8版本，较高版本安装pytorch会失败（亲身经历）。 第二步，安装相关的库(库的版本要对应上) 先编辑一个requirements.txt,并把此文档放入电脑的用户文件夹下， 例如：C:\Users\13944 （13944是我qq账号的前几位） 再按win+r,打开命令提示符 命令行输入: pip install -r .\requirements.txt –i https://pypi.tuna.tsinghua.edu.cn/s
pip 安装 Pytorch
qq_56335560的博客
04-11 8411
pytorch的pip安装步骤,以及一些小建议
CV：关于调用ssim包出错的解决办法
weixin_43409991的博客
03-19 2113
TypeError: conv2d() received an invalid combination of arguments - got (Tensor, Tensor, padding=float, groups=int), but expected one of: * (Tensor input, Tensor weight, Tensor bias, tuple of ints stride, tuple of ints padding, tuple of ints dilation, int
python 计算ssim
qq_46401672的博客
06-01 1069
python 计算ssim
基于pytorch计算ssim和ms-ssim
qq_39377134的博客
11-02 2万+
使用pytorch计算两组图片的ssim和ms-ssim 首先是SSIM和MS-SSIM类（ssim.py） import torch import torch.nn.functional as F def _fspecial_gauss_1d(size, sigma): coords = torch.arange(size).to(dtype=torch.float) coor...
损失函数SSIM (structural similarity index) 的PyTorch实现
热门推荐
hyk_1996的博客
02-21 4万+
SSIM介绍 结构相似性指数（structural similarity index，SSIM）, 出自参考文献[1]，用于度量两幅图像间的结构相似性。和被广泛采用的L2 loss不同，SSIM和人类的视觉系统（HVS）类似，对局部结构变化的感知敏感。 SSIM分为三个部分：照明度、对比度、结构，分别如下公式所示： 将上面三个式子汇总到一起就是SSIM： 其中，上式各符号分...
从GitHub上实现三维重建论文复现的具体步骤
03-31
<think>嗯，用户想了解从GitHub上复现三维重建论文的具体步骤。首先，我得先理清楚整个过程的大致框架。三维重建涉及的领域挺广的，可能包括计算机视觉、深度学习，还有传统的几何处理。用户可能是研究人员或者学生，想要复现论文的结果来验证方法或者进行后续研究。 首先，用户需要找到合适的论文和对应的代码库。GitHub上有很多开源项目，但质量参差不齐。可能需要提醒用户注意论文的权威性和代码的维护情况。比如，推荐他们看CVPR、ICCV等顶会的论文，这些通常有更好的代码支持。 然后，复现步骤可能包括环境配置、数据准备、模型训练、测试和调优。环境配置方面，不同的项目可能依赖不同的深度学习框架，比如PyTorch或TensorFlow。要提醒用户注意版本兼容性，可能需要用虚拟环境或者Docker来隔离依赖。 数据准备是关键，三维重建的数据集可能有多种格式，比如COLMAP用的图像集，或者ShapeNet这样的合成数据集。用户需要下载正确的数据，并按照项目要求预处理。这里可能会有路径问题或者数据格式转换的麻烦，需要耐心处理。 接下来是模型训练。用户可能会遇到显存不足、参数配置错误等问题。需要建议他们从小规模数据开始测试，逐步调整超参数。另外，有些项目可能提供预训练模型，直接使用可以节省时间。 测试阶段，可能需要使用评估指标如CD（Chamfer Distance）或IoU来验证结果。如果结果与论文不符，可能需要检查数据预处理是否正确，或者模型是否有未提及的实现细节。 调优部分，用户可能需要根据具体问题调整网络结构或参数，这时候理解论文的细节就很重要了。此外，社区讨论和issue部分可能有其他开发者遇到的问题和解决方案，建议用户多参考。 可能用户在实际操作中会遇到各种报错，比如缺失库、CUDA版本不匹配、数据加载错误等。这时候需要耐心查看日志，逐步排查。另外，有些论文的细节可能没有完全在代码中体现，或者使用了不同的参数，这时候可能需要联系作者或者查阅相关文档。 最后，整理整个流程，确保用户能一步步跟随，避免遗漏关键步骤。同时，强调复现过程中可能遇到的常见问题及解决办法，帮助用户减少挫败感，顺利完成复现。</think>从GitHub复现三维重建论文的具体步骤如下： --- ### 一、确定目标论文与代码库 1. **选择论文** - 优先选择顶会论文（CVPR/ICCV/ECCV等） - 确认论文是否提供开源代码（检查论文"Implementation Details"或GitHub链接） - 例：*"NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis"* 2. **定位代码库** - GitHub搜索论文标题/关键词，按Star数排序筛选高质量仓库 - 检查代码更新日期（避免长期未维护的项目） --- ### 二、环境配置 1. **硬件要求** - GPU：至少NVIDIA RTX 3060（显存≥12GB） - RAM：≥32GB（大型数据集需更高内存） 2. **软件环境搭建** ```bash # 示例：PyTorch环境 conda create -n 3drecon python=3.8 conda install pytorch==1.12.1 torchvision==0.13.1 cudatoolkit=11.3 -c pytorch pip install -r requirements.txt # 安装项目依赖 ``` 3. **特殊依赖处理** - CUDA/cuDNN版本对齐（通过`nvidia-smi`查看驱动支持版本） - 第三方库编译（如OpenMVS/COLMAP需源码编译） --- ### 三、数据准备 1. **获取数据集** - 常用数据集： - DTU/MVS：多视角扫描数据 - ShapeNet：合成3D模型 - Custom Data：自行采集多视角图像 2. **数据预处理** ```bash # 示例：COLMAP稀疏重建 python scripts/colmap2nerf.py --colmap_matcher exhaustive \ --run_colmap \ --images /path/to/images ``` 3. **路径配置** - 修改`configs/*.yaml`中的数据集路径 - 检查文件结构是否符合要求（如`images/`, `poses/`, `sparse/`等目录） --- ### 四、模型训练与验证 1. **启动训练** ```bash python train.py --config configs/nerf_blender.yaml --dataset_name lego ``` 2. **关键参数调整** - Batch size（避免显存溢出） - Learning rate（参考论文建议值） - 采样点数量（影响重建细节） 3. **训练监控** - 使用TensorBoard查看损失曲线： ```bash tensorboard --logdir runs/ ``` --- ### 五、结果复现与调试 1. **测试预训练模型** ```bash python eval.py --ckpt_path pretrained/nerf_synthetic_lego.pt ``` 2. **常见问题排查** | 现象 | 解决方案 | |---|---| | CUDA内存不足 | 减小`batch_size`或降低分辨率 | | 重建伪影 | 检查光线采样策略/增加采样点 | | 姿态估计失败 | 验证COLMAP特征匹配质量 | 3. **结果对比** - 定量指标：PSNR/SSIM/LPIPS - 定性对比：渲染视角一致性/细节保留 --- ### 六、进阶优化 1. **代码改进** - 替换更高效的采样策略（如Hierarchical Sampling） - 集成加速方法（Instant-NGP的哈希编码） 2. **跨平台部署** - ONNX/TensorRT格式转换 - Web端部署（Three.js/WebGL） --- ### 工具推荐 1. **调试工具** - `pdb`/`ipdb`：Python调试器 - `nsight-systems`：CUDA性能分析 2. **可视化工具** - MeshLab/CloudCompare：点云/网格查看 - Blender：渲染结果对比 --- 按照以上步骤系统推进，配合论文反复对照实现细节，可有效完成三维重建论文的复现工作。建议从经典方法（如NeRF、MVSNet）入手，逐步深入复杂场景重建。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值