记录超分辨率重建（DRN）复现工作

没劲啦来人推一推

已于 2023-10-11 16:04:26 修改

阅读量311

点赞数 1

文章标签：超分辨率重建人工智能图像处理

于 2023-08-03 14:29:20 首次发布

本文链接：https://blog.csdn.net/weixin_47072337/article/details/132080241

版权

今早终于把DRN跑起来了，因为大大小小改了很多bug，并且在数据集上用了一些时间所以把大致流程在这记录一下，方便以后看。

代码来源：https://github.com/VitaminyW/Super_Solution

http://t.csdn.cn/2flFmhttp://t.csdn.cn/2flFm这篇博客删除了，看下面这个。

http://t.csdnimg.cn/Num9H

基于文章

《Closed-loop matters: Dual regression networks for single image super-resolution》

文章源代码：

GitHub - guoyongcs/DRN: Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution大致了解到博主是基于源码作出了一系列改进，不过我既没享受到unpair的优势，又在数据集的制作上出了一点麻烦。

1、配置环境

这是论文源码处做出的要求，很宽松的要求

甚至torch2.0.1和对应的cuda11.7都可以运行。配环境时并未碰到太多麻烦。

2、数据集设置

大佬博客中提到可以用unpair的数据集及逆行训练，并给出数据集构建的框架但再未更多介绍，但我只有一些高清图像。所以还是选择采用了源码给的构建数据集的方式

副本不用管，重要的是下面三个，这三个文件夹的内容构成是类似的，如下：

HR放高清（我的是1024），LR_bicubic 放三个文件夹

其中X2（512*512） X4（256*256）X8（128*128）我认为这三个文件夹的大小是有关系的，但DRN源码给出的数据集示例中，不同文件夹图像size的关系却没能彻底弄懂，但是这样设置确实跑起来了。

同时X2、4、8中图片名称要与HR一一对应，并不是一样，如果HR中有1.png 则X2中要有1x2.png，X4中则要有1x4.png以此类推。

3，option.py 调参

首先最重要的是修改数据集位置

根据我的数据集命名这里不难改。其他的其实完全没必要在py文件里改，完全可以通过命令行

pycharm的话在run里找edit configuration

先在script path里找到我们工程的main函数，然后在parameters 对batchsize啥的进行设置。需要说明的参数差不多就是这些啊，除了scale其他的好像都是必须的，scale当时好像是因为报错了所以加上的，大致意思是放大倍数是8吧，然后LR就是X8那个文件夹，我也是个萌新啊，原理啥都不懂，为了以后复现才写的这个。

4、我目前只是单纯跑起来，其实博主给的代码基本不用动啊，只要在main那加一个if name = main 那个错，很常见的错一查就查到，每跑一个epoch就会用val数据集test一下，然后生成一个PSNR，再跑，刚才被人push了不想写了，如果有人看了还有问题就问我吧，总体来说算是好实现，但是值得探索的地方还有很多。

测试的时候报错了：

AttributeError: Can t pickle local object Data_reconstruction.__init__.<locals>.<lambda>

我测试使用的命令是通过博主新增的main_reconstruction测试的，这个错误我没去细致研究是咋回事，是pickle库的问题，网上和chatgpt提供的方法都是：

import dill as pickle就是将dill库替换为pickle库，但是我这个错是出现在pickle库中的一个py文件中的，而dill是基于pickle库的，所以这么改会导致循环import。

没办法了，还是用的源码测试的方法

main设置argument：
--data_dir
D:/python_project/Super_Solution-main/DataSet
--save
D:/python_project/Super_Solution-main/test-r
--data_test
my_val
--scale
2
--model
DRN-S
--pre_train
D:\python_project\Super_Solution-main\experiment\training_result\model\model_best.pt
--test_only
--save_results

补训练时的设置：

--batch_size
1
--n_GPUs
1
--scale
4
--save
./experiment/training_result
--model
DRN-S
--epochs
1000

训练时scale是啥，这里就是啥，数据集要将my_val改为自己要测试的数据集，构成方式和训练时的要一样，也就是说HR X2 X4 X8都要有而且文件命名也要正确，但真正起作用的只有scale对应文件夹，如你训练时scale=8 那么就会测试X8中的文件。