基于Paddle复现Neighbor2Neighbor降噪网络

本文介绍基于Paddle复现Neighbor2Neighbor自监督图像去噪方法。该方法通过随机邻域子采样生成训练对，结合正则化损失训练模型，复现模型在BSD300测试集PSNR 30.91、SSIM 0.877，还包含数据集处理、环境依赖及训练验证流程等内容。

基于Paddle复现《Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images》

1.简介

近年来，由于神经网络的快速发展，图像降噪也从中获得了巨大的好处。然而，由于需要大量的噪声-干净的图像对来进行模型的监督训练，限制了这些模型的推广。虽然已经有一些尝试训练一个只有单个噪声图像的图像去噪模型，但现有的自监督去噪方法存在网络训练效率低、有用信息丢失或依赖于噪声建模等问题。在这篇论文中，作者提出了一种非常简单但有效的方法，可以训练仅含噪声图像的图像去噪模型，名为Neighbor2Neighbor。 首先，提出一种随机邻域子采样器来生成训练图像对。具体的说，用于训练的输入和输出是从同一噪声图像中的子采样图像，满足了成对图像的对应像素是相邻的，同时彼此是相似的。其次，在第一阶段生成的子图片对去训练网络，并使用正则化器作为额外的损失以获得更好的性能。

上图是Neighbor2Neighbor架构概述。（a）训练的完整视图。通过噪声图片使用相邻子采样器生成一对图片。降噪网络分别使用g1(y)和g2(y)作为输入和目标。损失包含两个部分，左边部分，计算网络输出和噪声目标之间的Lrec。右边部分，考虑到子采样噪声图像和真实值之间的差异，进一步添加了损失Lreg。应该提到的是，出现两次的邻域子采样器（绿色）代表的是同一个邻域子采样器。(b)使用训练后的网络进行推理。

2.复现精度

在BSD300测试集的测试效果如下表,达到验收指标,PSNR: 30.79, SSIM:0.873。

每一个epoch的精度可以在train.log或A_log_BSD300.csv中查看。

3.数据集

下载地址:

https://aistudio.baidu.com/aistudio/datasetdetail/137360

数据集下载解压后需要进行预处理。执行以下命令。

%cd /home/aistudio/data/!tar xvf /home/aistudio/data/data137360/ILSVRC2012_img_val.tar%cd /home/aistudio/Neighbor2Neighbor_Paddle/!python dataset_tool.py --input_dir /home/aistudio/data/ILSVRC2012_img_val --save_dir /home/aistudio/data/Imagenet_val

4.环境依赖

PaddlePaddle == 2.2.0

5.快速开始

模型训练

运行一下命令进行模型训练，在训练过程中会对模型进行评估，同时训练日志保存在train.log中。训练过程中的每一次评估指标都保存在result/unet_gauss25_b4e100r02/目录中。

!python -u train.py --data_dir=/home/aistudio/data/Imagenet_val/ \--val_dirs=./validation --noisetype=gauss25 --save_model_path=./results \--log_name=unet_gauss25_b4e100r02 --increase_ratio=2

参数介绍：

data_dir:数据集路径

val_dirs:测试集路径

noisetype:噪声类型，根据验收指标，目前只支持gauss25。

save_model_path:模型保存路径

log_name:验证结果保存路径

increase_ratio:损失函数中Lambda的系数

模型验证

除了可以再训练过程中验证模型精度，还可以是val.py脚本加载模型验证精度，执行以下命令。

!python val.py --model_path best_model.pdparams

W0409 16:44:58.220067 32686 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1W0409 16:44:58.224027 32686 device_context.cc:465] device: 0, cuDNN Version: 7.6.Loading pretrained model from best_model.pdparamsThere are 50/50 variables loaded into UNet.[EVAL] BSD300: psnr:30.910791861936413 ssim:0.8766264295802032

单张图片预测

本项目提供了单张图片的预测脚本，可生成降噪图片。使用方法如下：

%cd /home/aistudio/Neighbor2Neighbor_Paddle/!python predict.py --image_path demo/42012_noise.webp --model_path best_model.pdparams --save_dir ./demo/

参数说明：

image_path:需要预测的图片

model_path: 模型路径

save_dir: 输出图片保存路径

预测样例:

  
从左到右分别是clear、nosie、denoise

  
从左到右分别是clear、nosie、denoise

模型导出

模型导出可执行以下命令：

!python export_model.py --model_path best_model.pdparams --save_dir ./output/

参数说明：

model_path: 模型路径

save_dir: 输出图片保存路径

Inference推理

可使用以下命令进行模型推理。该脚本依赖auto_log, 请参考下面TIPC部分先安装auto_log。infer命令运行如下：

%cd /home/aistudio!git clone https://gitee.com/Double_V/AutoLog%cd /home/aistudio/AutoLog/!pip3 install -r requirements.txt!python3 setup.py bdist_wheel!pip3 install ./dist/auto_log-1.2.0-py3-none-any.whl

!python infer.py --use_gpu=False --enable_mkldnn=False --cpu_threads=2 \--model_file=output/model.pdmodel --batch_size=2 \--input_file=validation/BSD300/test --enable_benchmark=True \--precision=fp32 --params_file=output/model.pdiparams \--save_dir output/inference_img

参数说明:

use_gpu:是否使用GPU

enable_mkldnn:是否使用mkldnn

cpu_threads: cpu线程数

model_file: 模型路径

batch_size: 批次大小

input_file: 输入文件路径

enable_benchmark: 是否开启benchmark

precision: 运算精度

params_file: 模型权重文件，由export_model.py脚本导出。

save_dir: 保存推理预测图片的路径

TIPC基础链条测试

该部分依赖auto_log，需要进行安装，安装方式如下：

auto_log的详细介绍参考https://github.com/LDOUBLEV/AutoLog。

%cd /home/aistudio/Neighbor2Neighbor_Paddle/!bash test_tipc/prepare.sh test_tipc/configs/N2N/train_infer_python.txt 'lite_train_lite_infer'!bash test_tipc/test_train_inference_python.sh test_tipc/configs/N2N/train_infer_python.txt 'lite_train_lite_infer'

测试结果如截图所示：

6.代码结构与详细说明

Neighbor2Neighbor_Paddle├── A_log_BSD300.csv  # 验证模型日志├── README.md  # 说明文件├── arch_unet.py # 模型架构├── best_model.pdparams # 最优模型权重├── dataset.py # 数据集代码├── dataset_tool.py # 数据集转换文件├── export_model.py # 模型导出代码├── imgs # Readme中的图片资源文件├── infer.py # 推理代码├── param_init.py # 模型参数初始化方法├── test_tipc # TIPC 测试├── train.log # 训练日志├── train.py # 训练脚本├── utils.py # 工具├── val.py #验证脚本└── validation # 验证数据集

7.模型信息