图像修复-CVPR2021-恶劣天气图像修复-TransWeather: Transformer-based Restoration of Images Degraded...

最新推荐文章于 2025-05-06 15:35:58 发布
最新推荐文章于 2025-05-06 15:35:58 发布
阅读量1k 收藏 23
点赞数 7
分类专栏： 图像修复 文章标签： transformer 深度学习 人工智能
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/sgr011215/article/details/146461535
版权

图像修复-恶劣天气图像修复-CVPR2021-TransWeather: Transformer-based Restoration of Images Degraded by Adverse Weather Conditions

文章目录

TransWeather 提出了一种基于 Transformer 的端到端模型，采用 Intra-Patch Transformer 结构增强局部注意力，并引入可学习的天气类型嵌入，仅用单个编码器和解码器即可高效去除多种恶劣天气条件，在多个数据集上显著超越现有方法。

论文链接：TransWeather: Transformer-based Restoration of Images Degraded by Adverse Weather Conditions

代码链接：/jeya-maria-jose/TransWeather

一、主要创新点

  1. 统一的 Transformer 结构：提出了一种基于 Transformer 的端到端模型 TransWeather，仅使用单个编码器和解码器即可去除所有类型的恶劣天气条件（如雨、雾、雪），相比于 All-in-One 方法使用多个编码器的设计更加高效。

  2. 引入 Intra-Patch Transformer Blocks：在 Transformer 编码器中采用 Intra-Patch Transformer 结构，增强图像块（patch）内部的注意力机制，从而更有效地去除较小尺度的天气退化影响，提高图像修复能力。

  3. 可学习的天气类型嵌入（Weather Type Embeddings）：在 Transformer 解码器中引入了可学习的天气类型嵌入，使模型能够自适应不同的天气退化情况，从而提升去天气效果（主要是借鉴思想是Detr的cross attention 的块查询机制）。

  4. 性能突破：TransWeather 在多个测试数据集上显著超越了 All-in-One 方法以及针对特定天气类型优化的去天气方法，例如：

    • 在 Test1（雨+雾）数据集上提升 +6.34 PSNR。

    • 在 SnowTest100K-L 数据集上提升 +4.93 PSNR。

    • 在 RainDrop 测试集上提升 +3.11 PSNR。

二、模型架构图

从图中可以看出主要由三部分组成：

  1. Transformer Encoder(编码器)：Transformer Encoder 采用层次化结构，结合多头自注意力和前馈神经网络（FFN）进行特征提取，并通过重叠补丁合并（Overlapped Patch Merging）保持特征一致性。为了提高计算效率，模型使用缩减比 R 降低自注意力计算复杂度，并在 FFN 内引入深度卷积（DW-C）以增强局部特征学习。此外，设计了 Intra-Patch Transformer Block（Intra-PT），在各阶段内部对特征划分子补丁进行额外的自注意力计算，专门提取小尺度特征，以更好地去除雨滴、轻雾等细微降质。最终，Intra-PT 结果与主 Transformer Block 特征融合，实现高效的全局-局部特征提取，从而在各种天气降质场景下取得更优的图像恢复效果。
  2. Transformer Decoder(解码器)：Transformer Decoder 受 Transformer 和 DETR 结构启发，采用可学习的天气类型查询（weather type queries）来解码任务，并预测任务特征向量，以恢复受天气影响的图像。与传统自注意力机制不同，该 Decoder 采用查询（Q）作为天气类型嵌入，而键（K）和值（V）来自 Transformer Encoder 的最后阶段特征。Decoder 通过单阶段多块结构提取和融合特征，并结合 Transformer Encoder 的各层信息，最终通过卷积尾部（Convolutional Tail）重建清晰图像。这种设计使模型能够适应多种天气降质情况，并提升恢复质量。
  3. Convolutional Projection Block(卷积映射恢复)：模型将 Transformer Encoder 的层次化特征与 Transformer Decoder 任务特征作为输入，并通过 四层卷积 逐步重建清晰图像。每层卷积前加入 上采样层 以恢复原始分辨率，同时在卷积尾部引入 跳跃连接，与 Transformer Encoder 进行特征融合，以提高恢复能力。最后，采用 tanh 激活函数约束输出，确保生成的去天气降质图像具有稳定的像素分布。

下面将从源码层面解释Transformer Encoder(编码器)和Transformer Decoder(解码器)，对于Convolutional Projection Block(卷积映射恢复)只是简单的卷积还原操作。

在这里插入图片描述

三、Transformer Encoder
  1. 层次化特征提取：在 Transformer Encoder 内部，通过多级结构提取不同层次的特征，使模型能够捕捉低级和高级信息，提高对各种天气降质的恢复能力。
  2. 重叠补丁合并（Overlapped Patch Merging）：在每个阶段，通过合并重叠补丁（patches）来保持特征尺寸一致，同时提高特征表达能力，减少信息损失。
  3. Transformer Block 计算：使用多头自注意力（MSA）计算输入特征的自注意力信息，并通过前馈神经网络（FFN）进一步处理，使模型能够学习到全局和局部信息。
  4. 计算复杂度优化：为了降低计算量，引入缩减比 R，将自注意力计算复杂度从 O(N2)降至 O(N2R)，优化计算效率。
  5. 改进 FFN 结构：在 FFN 内部引入深度卷积（Depth-Wise Convolution, DW-C），增强 Transformer 位置感知能力，同时保留局部信息，提高去天气降质效果。
  6. Intra-Patch Transformer Block（Intra-PT）：在主 Transformer Block 之间额外加入 Intra-PT 模块，该模块对输入特征划分子补丁（sub-patches），专门用于提取小尺度特征，有助于消除微小降质影响，如小雨滴或轻雾。
  7. 融合 Intra-PT 结果：Intra-PT 的自注意力特征与主 Transformer Block 提取的特征在同一阶段进行融合，使最终特征表达更加丰富，提高图像恢复质量。
Transformer Encoder源码
# 来自源码文件：https://github.com/jeya-maria-jose/TransWeather/blob/main/transweather_model.py
class EncoderTransformer(nn.Module):
    def __init__(self, img_size=224, patch_size=16, in_chans=3, num_classes=1000, embed_dims=[64, 128, 256, 512],
                 num_heads=[1, 2, 4, 8], mlp_ratios=[4, 4, 4, 4], qkv_bias=False, qk_scale=None, drop_rate=0.,
                 attn_drop_rate=0., drop_path_rate=0., norm_layer=nn.LayerNorm,
                 depths=[3, 4, 6, 3], sr_ratios=[8, 4, 2, 1]):
        super().__init__()
        self.num_classes = num_classes
        self.depths = depths

        # 定义不同阶段的 Patch Embedding
        self.patch_embed1 = OverlapPatchEmbed(img_size=img_size, patch_size=7, stride=4, in_chans=in_chans,
                                              embed_dim=embed_dims[0])
        self.patch_embed2 = OverlapPatchEmbed(img_size=img_size // 4, patch_size=3, stride=2, in_chans=embed_dims[0],
                                              embed_dim=embed_dims[1])
        self.patch_embed3 = OverlapPatchEmbed(img_size=img_size // 8, patch_size=3, stride=2, in_chans=embed_dims[1],
                                              embed_dim=embed_dims[2])
        self.patch_embed4 = OverlapPatchEmbed(img_size=img_size // 16, patch_size=3, stride=2, in_chans=embed_dims[2],
                                              embed_dim=embed_dims[3])

        # 定义 Intra-patch transformer blocks 的 Patch Embedding
        self.mini_patch_embed1 = OverlapPatchEmbed(img_size=img_size // 4, patch_size=3, stride=2, in_chans=embed_dims[0],
                                                   embed_dim=embed_dims[1])
        self.mini_patch_embed2 = OverlapPatchEmbed(img_size=img_size // 8, patch_size=3, stride=2, in_chans=embed_dims[1],
                                                   embed_dim=embed_dims[2])
        self.mini_patch_embed3 = OverlapPatchEmbed(img_size=img_size // 16, patch_size=3, stride=2, in_chans=embed_dims[2],
                                                   embed_dim=embed_dims[3])
        self.mini_patch_embed4 = OverlapPatchEmbed(img_size=img_size // 32, patch_size=3, stride=2, in_chans=embed_dims[0],
                                                   embed_dim=embed_dims[3])

        # 定义主编码器部分的 Transformer Blocks
        dpr = [x.item() for x in torch.linspace(0, drop_path_rate, sum(depths))]  # 计算 Stochastic Depth decay
        cur = 0
        self.block1 = nn.ModuleList([
            Block(dim=embed_dims[0], num_heads=num_heads[0], mlp_ratio=mlp_ratios[0], qkv_bias=qkv_bias,
                  qk_scale=qk_scale, drop=drop_rate, attn_drop=attn_drop_rate, drop_path=dpr[cur + i],
                  norm_layer=norm_layer, sr_ratio=sr_ratios[0])
            for i in range(depths[0])])
        self.norm1 = norm_layer(embed_dims[0])

        # 定义 Intra-patch Transformer Block
        self.patch_block1 = nn.ModuleList([
            Block(dim=embed_dims[1], num_heads=num_heads[0], mlp_ratio=mlp_ratios[0], qkv_bias=qkv_bias,
                  qk_scale=qk_scale, drop=drop_rate, attn_drop=attn_drop_rate, drop_path=dpr[cur],
                  norm_layer=norm_layer, sr_ratio=sr_ratios[0])
        ])
        self.pnorm1 = norm_layer(embed_dims[1])

        # 继续构建后续层的 Transformer Blocks
        cur += depths[0]
        self.block2 = nn.ModuleList([...])  # 类似 block1 的结构
        self.norm2 = norm_layer(embed_dims[1])
        self.patch_block2 = nn.ModuleList([...])
        self.pnorm2 = norm_layer(embed_dims[2])
        cur += depths[1]
        self.block3 = nn.ModuleList([...])
        self.norm3 = norm_layer(embed_dims[2])
        self.patch_block3 = nn.ModuleList([...])
        self.pnorm3 = norm_layer(embed_dims[3])
        cur += depths[2]
        self.block4 = nn.ModuleList([...])
        self.norm4 = norm_layer(embed_dims[3])

        self.apply(self._init_weights)  # 初始化权重

    def _init_weights(self, m):
        """初始化网络权重"""
        if isinstance(m, nn.Linear):
            trunc_normal_(m.weight, std=.02)
            if m.bias is not None:
                nn.init.constant_(m.bias, 0)
        elif isinstance(m, nn.LayerNorm):
            nn.init.constant_(m.bias, 0)
            nn.init.constant_(m.weight, 1.0)
        elif isinstance(m, nn.Conv2d):
            fan_out = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
            fan_out //= m.groups
            m.weight.data.normal_(0, math.sqrt(2.0 / fan_out))
            if m.bias is not None:
                m.bias.data.zero_()

    def forward_features(self, x):
        """前向传播特征提取"""
        B = x.shape[0]
        outs = []
        # Stage 1
        x1, H1, W1 = self.patch_embed1(x)
        x2, H2, W2 = self.mini_patch_embed1(x1.permute(0, 2, 1).reshape(B, 64, H1, W1))
        for blk in self.block1:
            x1 = blk(x1, H1, W1)
        x1 = self.norm1(x1).reshape(B, H1, W1, -1).permute(0, 3, 1, 2).contiguous()
        outs.append(x1)

        # 类似的处理 Stage 2, 3, 4
        return outs

    def forward(self, x):
        """前向传播"""
        return self.forward_features(x)
四、Transformer Decoder
  1. 借鉴自 Transformer 和 DETR：原始 Transformer Decoder 采用自回归（autoregressive）方式逐步预测序列，而 DETR 使用对象查询（object queries）来解码目标框坐标和类别标签。受此启发，本文引入天气类型查询（weather type queries），用于解码任务并预测任务特征向量，以恢复干净图像。
  2. 天气类型查询（Weather Type Queries）：这些查询是可学习的嵌入（learnable embeddings），在模型训练过程中与其他参数一起学习，使模型能够适应不同的天气降质类型。
  3. 注意力机制：Transformer Decoder 关注来自 Transformer Encoder 的特征输出，通过查询机制提取任务相关的信息。
  4. 单阶段多块结构：与典型的 Encoder-Decoder 结构类似，该 Transformer Decoder 仅在单一阶段运行，但包含多个 Transformer Block，每个块进行特征提取和融合。
  5. 查询-键值（QKV）设计：不同于传统的自注意力（self-attention）机制，该 Transformer Decoder 采用 Q（查询）为天气类型查询的可学习嵌入，而 K 和 V（键和值）分别来自 Transformer Encoder 的最终阶段特征。
  6. 任务特征向量：Decoder 输出的解码特征表示任务特征向量（task feature vector），该特征向量与 Transformer Encoder 各阶段的特征融合，以增强恢复能力。

在这里插入图片描述

Transformer Decoder源码
# 来自源码文件：https://github.com/jeya-maria-jose/TransWeather/blob/main/transweather_model.py
class DecoderTransformer(nn.Module):
    def __init__(self, img_size=224, patch_size=16, in_chans=3, num_classes=1000, embed_dims=[64, 128, 256, 512],
                 num_heads=[1, 2, 4, 8], mlp_ratios=[4, 4, 4, 4], qkv_bias=False, qk_scale=None, drop_rate=0.,
                 attn_drop_rate=0., drop_path_rate=0., norm_layer=nn.LayerNorm,
                 depths=[3, 4, 6, 3], sr_ratios=[8, 4, 2, 1]):
        """
        Transformer 解码器

        参数:
        - img_size: 输入图像尺寸
        - patch_size: Patch 的大小
        - in_chans: 输入通道数
        - num_classes: 分类类别数
        - embed_dims: 每个阶段的嵌入维度
        - num_heads: 每个阶段的注意力头数
        - mlp_ratios: MLP 扩展比例
        - qkv_bias: 是否使用 QKV 偏置
        - qk_scale: QK 缩放因子
        - drop_rate: Dropout 比例
        - attn_drop_rate: 注意力 Dropout 比例
        - drop_path_rate: Drop Path 比例
        - norm_layer: 归一化层类型
        - depths: 每个阶段的 Transformer Block 数量
        - sr_ratios: 空间降采样率
        """
        super().__init__()
        self.num_classes = num_classes
        self.depths = depths

        # Patch 嵌入层 (用于处理 Encoder 的输出)
        self.patch_embed1 = OverlapPatchEmbed(img_size=img_size // 16, patch_size=3, stride=2, 
                                              in_chans=embed_dims[3], embed_dim=embed_dims[3])

        # 计算 Drop Path 比例
        dpr = [x.item() for x in torch.linspace(0, drop_path_rate, sum(depths))]  
        cur = 0

        # Transformer 解码器第一阶段
        self.block1 = nn.ModuleList([
            Block_dec(dim=embed_dims[3], num_heads=num_heads[3], mlp_ratio=mlp_ratios[3], qkv_bias=qkv_bias, 
                      qk_scale=qk_scale, drop=drop_rate, attn_drop=attn_drop_rate, drop_path=dpr[cur + i], 
                      norm_layer=norm_layer, sr_ratio=sr_ratios[3])
            for i in range(depths[0])
        ])
        self.norm1 = norm_layer(embed_dims[3])

        cur += depths[0]

        # 初始化权重
        self.apply(self._init_weights)

    def _init_weights(self, m):
        """
        权重初始化方法
        """
        if isinstance(m, nn.Linear):
            trunc_normal_(m.weight, std=.02)
            if m.bias is not None:
                nn.init.constant_(m.bias, 0)
        elif isinstance(m, nn.LayerNorm):
            nn.init.constant_(m.bias, 0)
            nn.init.constant_(m.weight, 1.0)
        elif isinstance(m, nn.Conv2d):
            fan_out = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
            fan_out //= m.groups
            m.weight.data.normal_(0, math.sqrt(2.0 / fan_out))
            if m.bias is not None:
                m.bias.data.zero_()

    def init_weights(self, pretrained=None):
        """
        加载预训练权重
        """
        if isinstance(pretrained, str):
            logger = get_root_logger()
            load_checkpoint(self, pretrained, map_location='cpu', strict=False, logger=logger)

    def reset_drop_path(self, drop_path_rate):
        """
        重新设置 Drop Path 率
        """
        dpr = [x.item() for x in torch.linspace(0, drop_path_rate, sum(self.depths))]
        cur = 0
        for i in range(self.depths[0]):
            self.block1[i].drop_path.drop_prob = dpr[cur + i]

        cur += self.depths[0]
        for i in range(self.depths[1]):
            self.block2[i].drop_path.drop_prob = dpr[cur + i]

        cur += self.depths[1]
        for i in range(self.depths[2]):
            self.block3[i].drop_path.drop_prob = dpr[cur + i]

        cur += self.depths[2]
        for i in range(self.depths[3]):
            self.block4[i].drop_path.drop_prob = dpr[cur + i]

    def forward_features(self, x):
        """
        提取解码器的特征
        """
        x = x[3]  # 选取 Encoder 的最后一层特征
        B = x.shape[0]  # 获取 batch size
        outs = []

        # 第一阶段解码
        x, H, W = self.patch_embed1(x)
        for blk in self.block1:
            x = blk(x, H, W)
        x = self.norm1(x)
        x = x.reshape(B, H, W, -1).permute(0, 3, 1, 2).contiguous()
        outs.append(x)

        return outs

    def forward(self, x):
        """
        前向传播
        """
        x = self.forward_features(x)
        # x = self.head(x)  # 这里可以加上分类头部
        return x
TransWeather论文阅读
m0_50986537的博客
10-24 5047
TransWeather
（1-复现使用手册）Restormer: Efficient Transformer for High-Resolution Image Restoration CVPR2022
qq_53826699的博客
07-26 1151
记得修改对应的路径哈~，比如我的就会这么改，不然就会安到默认路径（比如我的是home/ ）Go 的可执行文件目录添加到系统 PATH 变量中了。后面三个指令就是解压并安装 Go。不想上面这么麻烦的话，直接下载呗。文件会被下载到当前工作目录下。
MyDLNote-Transformer(for Low-Level): Uformer: U 型 Transformer 图像修复
u014546828的博客
06-20 2055
论文阅读之 - 用 Transformer 做图像修复 Uformer: A General U-Shaped Transformerfor Image Restoration https://arxiv.org/pdf/2106.03106v1.pdf https://github.com/ZhendongWang6/Uformer Abstract In this paper, we present Uformer, an effective and efficient Transfor.
【cvpr2022】TransWeather: Transformer-based Restoration of Images Degraded by Adverse Weather Conditio
weixin_44734371的博客
05-24 1076
与 Q、K 和 V 从同一输入中获取的自注意力变换器块不同，这里的 Q 是天气类型可学习嵌入，而 K 和 V 是从变换器编码器的最后阶段获取的特征。Intra-PT 处理从原始补丁创建的子补丁，并挖掘较小补丁的特征和细节。此外，如果雨的强度很大，当它打在场景中的物体或人的表面时会产生飞溅效果。然而，我们认为当补丁像 ViT [9] 中的那样大时，我们无法过多地关注补丁中的信息。在这里，多头自注意力机制将天气类型查询作为输入，并将其与从 transformer 编码器提取的特征中获取的键和值相匹配。
️ TransWeather：智能清除不良天气影响的Transformer模型
gitblog_00023的博客
06-12 730
????️ TransWeather：智能清除不良天气影响的Transformer模型 项目地址:https://gitcode.com/gh_mirrors/tr/TransWeather 项目简介 TransWeather 是一个基于Transformer的图像恢复库，专为消除由于雨、雾、雪等不良天气条件导致的图像退化而设计。这个项目源自于发表在CVPR 2022的一篇论文，其目标是通过单一端到端的...
推荐文章：探索天气图像修复的未来——TransWeather
gitblog_00309的博客
08-21 417
推荐文章：探索天气图像修复的未来——TransWeather TransWeather项目地址:https://gitcode.com/gh_mirrors/tr/TransWeather 项目介绍 在计算机视觉领域，恶劣天气条件下的图像恢复是一个至关重要的挑战。TransWeather，一项诞生于CVPR 2022的研究成果，正是为了解决这一难题而来。该项目通过其论文Transformer-...
【论文合集】Awesome Low Level Vision
m0_61899108的博客
04-10 5741
介绍Low-level任务以及视觉顶会中的相关文章。
[24.09.28更新NeurIPS‘24]SAM（Segment Anything Model）最新顶会文章汇总
Alan_Dr的博客
08-23 1268
SAM（Segment Anything Model）最新顶会文章汇总 24.09.28更新NeurIPS'24
【CVPR2022】论文列表与下载——PartThree
TomRen
06-12 4926
【CVPR2022】完整论文列表
CVPR2017论文摘要汇总
super_chicken的博客
04-09 1万+
1. Exclusivity-Consistency Regularized Multi-view Subspace Clustering Abstract: Multi-view subspace clustering aims to partition a set of multi-source data into their underlying groups. To boost the ...
人脸识别一
AI+机器人
02-28 7342
awesome-Face_Recognition this collecting the papers (main from arxiv.org) about bellow themes: Face Detection && Face Segmentation; Face Alignment; Face Recognition && Face Identification && Face Verification && Face Repre
CVPR 2022 图像恢复论文
Hermite Lee的博客
06-13 3066
CVPR 2022
CVPR2022论文列表（中英对照）
热门推荐
dovings的博客
07-04 2万+
CVPR论文列表，中英对照
【论文笔记】TransReID: Transformer-based Object Re-Identification
m0_51358406的博客
12-26 2789
TransReID 论文地址：https://arxiv.org/abs/2102.04378 代码：https://github.com/damo-cv/TransReID 这篇笔记是按照自己本人的习惯写的（一些词语喜欢用英语表示）；在看这篇论文之前，最好了解下ViT。感谢指教:) 论文阅读 Abstract one of the key challenges in ReID:Extracting robust feature representation. CNN：（缺点）一次只处理一个局部邻域，由于卷
CVPR 2022 | 只需要一组预训练参数，所有恶劣天气一次解决！
阿木寺的博客
06-19 3171
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>CV微信技术交流群[CVPR'22] 只需要一组预训练参数，所有恶劣天气一次解决！科研机构：台湾大学论文链接：https://openaccess.thecvf.com/content/CVPR2022/papers/Chen_Learning_Multiple_Adverse_We...
在深度学习中，什么是线性插值（linear interpolation）？
weixin_44649780的博客
04-30 514
线性插值是寻找两个点之间中间值的最基础方法之一，广泛应用于：数值计算计算机图形学机器学习和深度学习它的标准公式是：x0,x1∈Rn：两个向量或标量t∈[0,1]：插值系数（0 表示完全靠近 x0，1 表示完全靠近 x1​）它对应的是两个点之间的一条线段轨迹。线性插值就是“在两个已知点之间，按一定比例找到中间点”的方法，无论是图像、特征、模型参数，它都可以用来“平滑地过渡”。📢 想要了解更多内容，可在VX小程序搜索🔍AI Pulse,获取更多最新内容。
Pycharm（十九）深度学习
最新发布
higerwy的博客
05-06 718
深度学习是机器学习中的一种特殊方法，它使用称为神经网络的复杂结构，特别是“深层”的神经网络，来学习和做出预测。深度学习特别适合处理大规模和高维度的数据，如图像、声音和文本。深度学习、机器学习和人工智能之间的关系如下图所示：深度学习⊆机器学习⊆人工智能优点：1）精度高，性能优于其他的机器学习算法，甚至在某些领域超过了人类；2）随之计算机硬件的发展，可以近似任意的非线性函数；3）近年来在学界和业界受到了热捧，有大量的框架和库可供调。缺点：1）黑箱。
卷积神经网络实战（2）
weixin_55843921的博客
05-04 334
一开始conv1，第一层卷积层，去运算的时候，以前全连接的时候直接展平，现在是三维的，通道数是1（黑白照片），卷积的时候卷积核也是（1,3,3），但现在卷积核的尺寸实际上是立方体，虽然写的是2d，这是接口的这么一个设计，之所以是2d是因为在两个维度上进行移动（上下左右），不像以前的全连接是一维的必须展平。nn.MaxPool2d(2,2)，前面一个2代表池化核大小是2*2，后面的2代表步长。池化一次把图像尺寸减半。对于第二层卷积层，卷积核是(32,3,3)，这层的输入和输出的大小一样，作用是提取高层特征。
评论
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