本文围绕DnCNN图像去噪算法展开复现研究。该算法基于残差学习和批量归一化，适用于图像复原。复现采用PaddlePaddle框架，在BSD68测试集、噪声15条件下，10次测试平均PSNR达31.73757，达标。文中还介绍了数据集、文件结构、环境依赖、核心代码及训练、评估等操作流程。

论文复现——图像去噪算法 DnCNN

DnCNN: Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

最新源码：https://github.com/cszn/DnCNN

最新Pytorch实现：https://github.com/SaoYan/DnCNN-PyTorch

复现地址：https://github.com/sldyns/DnCNN_paddle

1. 简介

由于深度学习的进步以及卷积神经网络在视觉方向取得的巨大成功，使得更多学者聚焦于此。作者注意到在残差网络之前，预测残差图像的策略已经被用于一些低水平视觉问题，如单幅图像超分辨率和彩色图像去噪。他认为在图像复原领域（尤其是在噪音程度较小的情况下），含噪图像与无噪图像的残差非常小，所以理论上残差学习非常适合运用到图像复原上。

而批量归一化操作通过一定的规范化手段，把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0方差为1的标准正态分布，这减轻了内部协变量的移位，同时使梯度变大，避免了梯度消失的问题，而且梯度变大意味着学习收敛速度快，能大大加快训练速度。

这样的网络设计就是在隐层中将干净图像 x 从含噪图像 y 中消去。在超分领域，低分辨率图片就是高分辨率图片的双三次上采样操作形成的，故超分领域的残差图片和去高斯噪声领域的残差图片是等价的，同理还有JPEG解锁领域的残差图片。因而DnCNN网络同时具有良好的盲去噪能力.

       

2. 复现精度

在 BSD68 测试集上做了10次测试，达到验收指标：average PSNR, noise 15: 31.73

3. 数据集与文件结构

3.1 数据集

最新代码提供的训练数据集地址：https://github.com/SaoYan/DnCNN-PyTorch/tree/master/data/train

测试数据集地址：https://github.com/cszn/FFDNet/tree/master/testsets/BSD68

**注：**所有数据已经存放在 work/data/ 文件夹下了，可以无需下载.

3.2 文件结构

DnCNN_Paddle    |-- data         |-- BSD68                  # 测试所用的BSD68数据集         |-- train                     # 训练所用的数据,包含400张图片    |-- logs         |-- net.pdparams        # 训练过程保存的模型参数文件         |-- vdlrecords.1649579479.log # 完整的训练日志    |-- test_tipc                     # TIPC: Linux GPU/CPU 基础训练推理测试    |-- dataset.py                  # 数据及预处理相关代码    |-- export_model.py       # 预训练模型的导出代码    |-- LICENSE                     # LICENSE文件    |-- models.py                  # 模型定义代码    |-- README.md              # README.md文件    |-- val.py                         # 模型评估代码    |-- predict.py                  # 模型预测代码    |-- train.py                      # 单机单卡训练文件    |-- train2.py                    # 单机多卡训练文件    |-- utils.py                       # 一些工具文件    |-- infer.py                      # 模型推理代码

登录后复制    

4. 环境依赖

PaddlePaddle >= 2.2.0

scikit-image == 0.19.2

In [ ]

!pip install scikit-image

登录后复制    

5. 核心代码

DnCNN 的结构并不复杂，主要为多层 CNN 配合 BatchNorm 和 ReLU，实现的残差学习.

class DnCNN(nn.Layer):    def __init__(self, channels, num_of_layers=17):        super(DnCNN, self).__init__()        kernel_size = 3        padding = 1        features = 64        layers = []        layers.append(nn.Conv2D(in_channels=channels, out_channels=features, kernel_size=kernel_size, padding=padding, bias_attr=False, weight_attr=nn.initializer.KaimingNormal()))        layers.append(nn.ReLU())        for _ in range(num_of_layers-2):            layers.append(nn.Conv2D(in_channels=features, out_channels=features, kernel_size=kernel_size, padding=padding, bias_attr=False, weight_attr=nn.initializer.KaimingNormal()))            layers.append(nn.BatchNorm2D(features, weight_attr=ParamAttr(initializer=nn.initializer.Constant(value=1.)), bias_attr=ParamAttr(initializer=nn.initializer.Constant(value=0.))))                        layers.append(nn.ReLU())        layers.append(nn.Conv2D(in_channels=features, out_channels=channels, kernel_size=kernel_size, padding=padding, bias_attr=False, weight_attr=nn.initializer.KaimingNormal()))        self.dncnn = paddle.nn.Sequential(*layers)    def forward(self, x):        y = x        out = self.dncnn(x)        return y-out

登录后复制    

6. 快速开始

6.1 初次训练

In [ ]

!cd work && python train.py --preprocess True --data_dir data/train --val_dir data/BSD68 --num_of_layers 17 --noiseL 15 --val_noiseL 15

登录后复制    

参数说明：

--preprocess True 表示需要作数据预处理--data_dir data/train 训练数据路径--val_dir data/BSD68 验证数据路径--num_of_layers 17 模型层数为17层--noiseL 15 训练的噪声水平为15--val_noiseL 15 验证的噪声水平为15

初次训练指定 --preprocess True，则会生成 train.h5 和 val.h5 两个文件，再次训练则不需要指定改参数：

6.2 重新训练

In [3]

!cd work && python train.py --num_of_layers 17 --noiseL 15 --val_noiseL 15

登录后复制        

hijack_call.c:658 cuInit error unknown error

登录后复制        

6.3 日志读取

训练过程会将日志记录和模型参数保存在 work/logs/ 文件夹下.

日志是用 VisualDL 工具记录，可以用 Ai Studio 自带的 数据模型可视化 功能查看

6.4 模型评估

在 BSD58 数据集上作了 10 次测试，噪声强度为 15

In [ ]

!cd work && python val.py --log_dir logs --data_path data/BSD68/ --test_noiseL 15

登录后复制    

输出如下:

10 times test on test data, Averate PSNR: 31.73937683053843, Variance: 1.7706766908902732e-05

显著达到了验收精度.

6.5 模型预测

在 BSD58 数据集上作预测，噪声强度为 15，结果存放在 work/results/ 文件夹下.

In [ ]

!cd work && python predict.py --log_dir logs --data_path data/BSD68/ --save_path results/ --test_noiseL 15 --save_images

登录后复制    

输出为：

PSNR on test data 31.739193

登录后复制        

work/results/couple 中的图片为 原始图像、带噪图像、去噪结果，3 张图片拼接得到的：

       

6.6 单张图像去噪测试

导入单张图像，测试去噪效果，首先需要在work/test_images里上传一张图片.

In [1]

# 先上传一张图片，import os.path as ospfrom IPython.display import displayfrom PIL import Imageimg_path = 'butterfly.webp' # 改成自己上传的图片名称full_img_path = osp.join(osp.abspath('work/test_images/'), img_path)img = Image.open(full_img_path).convert('RGB')print('以下为上传的图片:')display(img)

登录后复制        

以下为上传的图片:

登录后复制        

登录后复制                In [7]

!cd work && python predict_single.py --clean_img $full_img_path --save_images --log_dir logs

登录后复制        

Loading model ...W0602 17:50:55.775449  2009 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 11.2, Runtime API Version: 10.1W0602 17:50:55.779913  2009 device_context.cc:465] device: 0, cuDNN Version: 7.6.only clean image provided, noise level is 15PSNR 33.144904

登录后复制        In [8]

# 去噪效果查看import globfrom IPython.display import displayfrom PIL import Imageimgs = glob.glob('work/test_images/*')for path in imgs:    print(path)    img = Image.open(path)    display(img)

登录后复制        

work/test_images/butterfly.webp

登录后复制        

登录后复制                

work/test_images/butterfly_noised.webp

登录后复制        

登录后复制                

work/test_images/butterfly_denoised.webp

登录后复制        

登录后复制                

相关攻略

热门推荐