DeblurGANv2的复现过程

最近复现了DeblurGANv2，写个博客记录一下
官网源代码链接：https://github.com/TAMU-VITA/DeblurGANv2
把文件从官网上下载下来：即 DeblurGAN-master
要想顺利的复现DeblurGANv2，以及后续尝试对该代码进行改进，需要对整个文件内容有一个清晰的了解
文件的目录如下图所示：

首先介绍一下文件夹内的文献：
Config：config.yaml是项目的配置文件：包括训练集的路径设置，验证集路径设置，对数据集内图片的处理，数据集增强等；backbone的选择，backbone冻结的轮数；训练的轮数，每轮训练和验证的批数batch，批次batch的大小；优化器的选择，学习率的设置，学习率的变化设置
dataset1：blur文件夹 #在执行预测代码时，放置的图片
doc_images：作者发表的论文，里面的数据相关图片
fpn：在代码运行过程中的日志，可以使用tensorboard进行查看
GOPRO：训练和验证的数据集test放置验证集，train放置训练集
models：文件夹内放置的是所使用搭建出来框架（主），含有包括哪些东西和怎么排列；
骨干模块，用到哪些骨干网络需要放入哪些骨干网络（不同尺度特征的提取）；
neck模块，主要用到FPN模块，是对提取到的特征进行尺度融合（特征的处理）
损失函数模块，对训练过程优劣的量化，对损失函数进行修改也是这里
submit：该文件夹存放的是执行predict后，去模糊后的图片
test_img：该文件夹存放可用于测试的图片
util：该文件夹存放计算图片质量模块，PSNR，SSIM的计算方式
gitignore：gitignore文件可以用于指定Git版本控制系统忽略特定文件或文件夹的规则，这些文件不被纳入版本控制，比如日志文件、临时文件等
adversarial_trainer：这个文件给出对抗训练的过程，如果要使用对抗生成，必须有这部分的设置
aug：增强的缩写，对输入的单张图像进行格式化处理和增强，用于减少过拟合的一些操作
best_fpn.h5：经过训练，效果最好的权重文件，用于predict调用
dataset.py：对输入的数据集即多张图片进行批次处理，即做出每一批次用于训练
LICENSE：免责和知识产权保护声明
Metric_counter.py：用于记录和统计模型中各种指标的工具类，比如PSNR，SSIM等，主要用于记录和监视关键指标，便于模型性能的评估和调优
Picture_to_video.py：就是把一个个图片进行合成视频的代码，按照顺序放置
Predict.py：就是对输出图片进行预测处理，根据端到端的处理，即经过所训练模型处理，得到了什么结果
README.md：就是这个项目包括哪些内容，代码该如何使用，这是了解一个项目的第一步
Requirements：实现该项目的依赖环境，可以用pip install -r “requirements”进行一次性安装
Schedulers.py：对应config文件中学习率的调整方法，那里是调用模块，这里是封装的模块，和优化器一起使用的类
Test.py：用于运行指定代码
Test.sh：用于运行指定代码
Test_aug.py：测试aug的代码，开发者编写过程排除bug，编写完成寻找错误
Test_batchsize.py：用于测试batchsize的代码，开发者编写过程排除bug
Test_dataset.py：用于测试dataset的代码，开发者编写过程排除bug
Test_metrics.py：评价指标(metric)，用于测试metrics的代码，测试性能和指标，输出单个图片的PSNR或者输出批次的SSIM等，用于测试相关指标
Train.py：用于执行训练的代码，运行就开始训练，其中要指定相应的参数

需要注意的地方：
0.环境搭建可能碰到的问题
依据依赖requirements进行整个训练环境的搭建，先执行train文件，缺少什么模块就去百度，安装什么模块；不要卸载并更改自己计算机的cuda，和计算机的保持一致；根据cuda的版本去安装pytorch（去pytorch官网下载）；最重要的一点是根据requirements进行环境的搭建！！！
1.训练集与验证集路径放置问题
训练集和验证集的设置代码如下所示
注释：如果数据集这部分放置的不对，有可能导致以下三个问题
能够进行训练，但是损失函数是负的，不正常
能够进行训练，能够得到权重文件，在预测的时候，没有效果，或者去模糊是蓝色的
在训练过程的对话框，val始终达不到100%

2.训练文件中train的设置
这里的源代码和论文中的代码不一致，进行了如下修改

训练过程可视化：
这里是根据backbone是Inception进行训练的过程和结果
损失的变化：


衡量指标PSNR和SSIM的变化：


去模糊的效果：
原图如下

去模糊后的图片

总结：
对于指标来说，并没有论文中的那么高，但是还是有一定的效果，存在一定的改进空间！！

GOPRO数据集下载链接：
百度云：https://pan.baidu.com/s/1oBCOwLA9gu1XAaXdRXhMbQ?pwd=9fpt 提取码：9fpt
参照博客：
https://blog.csdn.net/DW_CK/article/details/106222308?ops_request_misc=&request_id=&biz_id=102&utm_term=GOPRO%E6%95%B0%E6%8D%AE%E9%9B%86%E4%B8%8B%E8%BD%BD&utm_medium=distribute.pc_search_result.none-task-blog-2_allsobaiduweb~default-1-106222308.nonecase&spm=1018.2226.3001.4187