DEA-Net代码解读（自用）

DEA-Net/code/data/data_loader.py

定义了三个数据集类： TrainDataset（训练）、TestDataset（测试）、 ValDataset（验证）。

每个类中__init__(self, hazy_path, clear_path)：初始化函数接收两个路径参数，分别是雾霾图像和清晰图像的路径。它将这些路径保存为类的属性，并读取路径下的所有图像文件名。

__getitem__(self, index)：该函数根据索引获取雾霾图像和对应的清晰图像，对它们进行裁剪和旋转操作，然后将它们转换为张量并返回。

__len__(self)：返回数据集的大小，即雾霾图像的数量。

DEA-Net/code/logger/logger.py

用于绘制日志数据的函数： plot_loss_log和plot_psnr_log。这些函数使用Matplotlib库来生成损失和PSNR（峰值信噪比）的图表，并将图表保存为PDF文件。

DEA-Net/code/loss/cr.py

实现了一个基于VGG19网络的对比损失（Contrastive Loss）函数，用于训练图像去雾等任务中的深度学习模型。定义VGG19模型的特征提取部分。 定义对比损失函数。

DEA-Net/code/metric/metric.py

定义了两个图像质量评估指标：结构相似性（SSIM）和峰值信噪比（PSNR）。

DEA-Net/code/model/modules/cga.py  [CGA模块]

实现了三种注意力机制：空间注意力（Spatial Attention）、通道注意力（Channel Attention）和像素注意力（Pixel Attention）。

• 初始化函数：
  • 定义了一个7x7卷积层sa，输入通道数为2，输出通道数为1，使用反射填充。
• 前向传播函数：
  • 计算输入张量x在通道维度上的平均值和最大值，分别得到x_avg和x_max。
  • 将x_avg和x_max在通道维度上拼接，得到x2。
  • 通过卷积层sa处理x2，得到空间注意力图sattn。
  • 
  • 初始化函数：
    • 定义了一个自适应平均池化层gap，将输入张量池化到1x1大小。
    • 定义了一个由两层卷积层和ReLU激活函数组成的序列ca，用于计算通道注意力。
  • 前向传播函数：
    • 对输入张量x进行自适应平均池化，得到x_gap。
    • 通过ca处理x_gap，得到通道注意力图cattn。
    • 初始化函数：
      • 定义了一个7x7卷积层pa2，输入通道数为2*dim，输出通道数为dim，使用反射填充，组卷积。
      • 定义了一个Sigmoid激活函数。
    • 前向传播函数：
      • 获取输入张量x的形状B, C, H, W。
      • 在第二个维度（通道维度）上扩展x和pattn1，以增加一个维度。
      • 将扩展后的x和pattn1在新的维度上拼接，得到x2。
      • 使用Rearrange将x2的形状重排为B, (C * 2), H, W。
      • 通过卷积层pa2处理x2，得到像素注意力图pattn2。
      • 使用Sigmoid激活函数对pattn2进行激活，得到最终的像素注意力图。

DEA-Net/code/model/modules/deablock_train.py  [DEABlockTrain模块][DEBlockTrain模块]

DEABlockTrain 类：带有注意力机制

• 初始化函数：
  • conv1 和 conv2：两个卷积层，第一个卷积层使用了自定义的DEConv，第二个卷积层使用传入的卷积函数。
  • act1：ReLU激活函数。
  • sa：空间注意力机制。
  • ca：通道注意力机制。
  • pa：像素注意力机制。
• 前向传播函数：
  • 输入张量x首先通过第一个卷积层和ReLU激活函数。
  • 然后将结果与原始输入相加，形成残差连接。
  • 通过第二个卷积层处理后，应用通道注意力和空间注意力，得到cattn和sattn。
  • 将这两个注意力图相加后，输入到像素注意力机制中，得到最终的像素注意力图pattn2。
  • 输入张量乘以这个注意力图，然后再次与原始输入相加，形成最终的输出。

DEBlockTrain 类：不带有注意力机制

• 初始化函数：
  • conv1 和 conv2：两个卷积层，第一个卷积层使用了自定义的DEConv，第二个卷积层使用传入的卷积函数。
  • act1：ReLU激活函数。
• 前向传播函数：
  • 输入张量x首先通过第一个卷积层和ReLU激活函数。
  • 然后将结果与原始输入相加，形成残差连接。
  • 通过第二个卷积层处理后，再次与原始输入相加，形成最终的输出。

DEA-Net/code/model/modules/deablock.py

和deablock_train.py内容一样。

DEA-Net/code/model/modules/deconv.py[DEConv模块]

Conv2d_cd(nn.Module)：定义中心差分卷积；

Conv2d_ad(nn.Module)：定义反差分卷积；

Conv2d_rd(nn.Module)：定义径向差分卷积；

Conv2d_hd(nn.Module)：定义水平差分卷积；

Conv2d_vd(nn.Module)：定义垂直差分卷积。

DEA-Net/code/model/modules/fusion.py[Fusion模块]

• 初始化函数：

  • sa：空间注意力机制（Spatial Attention）。
  • ca：通道注意力机制（Channel Attention）。
  • pa：像素注意力机制（Pixel Attention）。
  • conv：一个1x1的卷积层，用于调整特征图的通道数。
  • sigmoid：Sigmoid激活函数，用于归一化像素注意力图。

• 前向传播函数：

  • 输入两个张量 x 和 y，首先将它们相加得到 initial。
  • 对 initial 应用通道注意力机制，得到 cattn。
  • 对 initial 应用空间注意力机制，得到 sattn。
  • 将通道注意力图和空间注意力图相加，得到 pattn1。
  • 将 pattn1 输入到像素注意力机制中，得到 pattn2，并通过 Sigmoid 激活函数归一化。
  • 将 pattn2 应用于 x 和 y，并与 initial 相加，得到加权融合结果 result。
  • 对融合结果应用1x1卷积，调整通道数，得到最终输出。

DEA-Net/code/model/backbone_train.py  [DEANet模块]

DEA-Net/code/model/backbone.py  

和DEA-Net/code/model/backbone_train.py  [DEANet模块]一样。

DEA-Net/code/option/option.py【评估过程】

该代码主要功能包括解析命令行参数、设置默认路径、创建必要的目录结构，以及将参数保存到文件中。

DEA-Net/code/utils/metric.py

和DEA-Net/code/metric/metric.py里的内容一样。

DEA-Net/code/utils/utils.py

这段代码实现了一些用于图像处理和统计的实用工具函数和类。

• 功能：根据给定的patch size对输入图像进行填充，使其尺寸能够被patch size整除。
• 参数：
  • x：输入图像（张量）。
  • patch_size：填充到能够被该值整除的尺寸。
• 返回值：填充后的图像。

DEA-Net/code/eval.py

它加载预训练模型，对验证数据集进行推理，计算并输出PSNR和SSIM两个图像质量指标。

DEA-Net/code/option_train.py【训练过程】

它解析命令行参数，设置默认路径，创建必要的目录结构，并将参数保存到文件中。

DEA-Net/code/reparam.py

这段代码用于将复杂的卷积神经网络权重转换为简化形式。具体来说，它将四种不同类型的卷积权重（中心差分卷积CDC、水平差分卷积HDC、垂直差分卷积VDC、和角差分卷积ADC）重新组合成单一的卷积权重，并将其保存为一个新的简化模型。

convert_cdc(w)：中心差分卷积

convert_hdc(w)：水平差分卷积

convert_vdc(w)：垂直差分卷积

convert_adc(w)：角差分卷积

DEA-Net/code/train.py

这段代码实现了一个训练深度学习模型的脚本，具体应用于图像去雾任务。主要包括设置训练环境、定义模型、加载数据、训练和评估模型等步骤。