注意：
(1) 目录可以使用gh-md-toc生成；
(2) 示例repo和文档可以参考：AlexNet_paddle。
在图像采集时，经常会引入不同程度的退化(degradation)，这可能是由于相机的物理因素限制，也可能是由于不合适的照明条件。因此常常会产生有噪点(noisy)和低对比度(low-contrast)的图像。近年来，深度学习模型在图像恢复和增强(image restoration and enhancement)方面取得重大进展，因为它可以从大规模数据集中学习到较强的前沿信息。
以从低分辨率(退化)图像中恢复出高质量图像内容为目标，图像恢复(Image Restoration)已经在众多领域得到广泛应用。现有的基于CNN的方法通常在全分辨率(full-resolution)或渐进式低分辨率(progressively low-resolution)上进行：在full-resolution下虽然得到了良好的空间精确度(spatially precise)，但是不能获得鲁棒性较好的上下文信息(context)；而在progressively low-resolution下，虽然在语义上可靠(semantically reliable)/得到好的上下文信息，但是在空间上并不太准确。在本文中，提出了一种新颖的结构，可以通过神经网络保持空间上精确的高分辨率表示；并从低分辨率表示中获取良好的上下文信息(strong contextual information)。
网络的核心是包含几个关键元素的多尺度残差块(multi-scale residual block)：
(a)用于提取多尺度特征的并行多分辨率卷积流(parallel multi-resolution convolution streams)；
(b)跨多分辨率流的信息交换；
(c)用于捕捉上下文信息的空间和通道注意机制(spatial and channel attention mechanisms)；
(d)基于注意机制的多尺度特征聚合(aggregation)。
简言之，MIRNet学习丰富的特征，结合了多个尺度的上下文信息的同时保持了高分辨率的细节，在图像去噪、超分辨率、图像增强任务上取得了极好的效果。
MIRNet模型图测试效果：
| 原图 | 添加噪声后 | MIRNET去噪后 |
|---|---|---|
 |
 |
 |
注意：在给出参考repo的链接之后，建议添加对参考repo的开发者的致谢。
论文: Learning Enriched Features for Real Image Restoration and Enhancement
参考repo: https://github.com/swz30/MIRNet
在此非常感谢$参考repo的 github id$等人贡献的repo name，提高了本repo复现论文的效率。
aistudio体验教程: 地址
训练集： SIDD 采用了5款智能机（Google Pixel、iPhone 7、Samsung Galaxy S6 Edge、Motorola Nexus 6、LG G4）在四种相机参数下拍摄了10个场景，200个场景实例，每个场景连续拍摄了150张图像，总共30000张噪声图像。其中160个场景实例作为训练集，40个场景实例作为测试集（the benchmark）。
测试集：
（1）图像去噪：
a.DND由4台消费相机捕获的50幅图像组成。由于图像具有很高的分辨率，数据集提供商从每张图像中提取了大小为512 × 512的20种作物，总共产生1000个patch。所有这些patches都用于测试(因为DND不包含训练集或验证集)。由于地面真实无噪声图像没有公开发布，所以图像质量的PSNR和SSIM评分只能通过在线服务器获取。
b.SIDD特别地由智能手机摄像头收集。因为传感器小，而且分辨率高，智能手机图像的噪音比数码单反要高得多。
SIDD包含320对图像用于训练，1280对图像用于验证。
（2）图像超分：
a.RealSR
（3）图像增强：
a.LOL
b.MIT-Adobe FiveK
| 模型 | 数据集 | PSNR/SSIM (验收精度) | LPIPS/FID (复现精度) | 下载链接 | ||
|---|---|---|---|---|---|---|
| MIRNet | SIDD | 39.72/0.959 | 预训练模型 | Inference模型 | 日志 |
给出本repo中用到的数据集的链接，然后按格式描述数据集大小与数据集格式。
格式如下：
- 数据集大小：关于数据集大小的描述，如类别，数量，图像大小等等
- 数据集下载链接：链接地址
- 数据格式：关于数据集格式的说明
基于上述数据集，给出论文中精度、参考代码的精度、本repo复现的精度、数据集名称、模型下载链接（模型权重和对应的日志文件推荐放在百度云网盘中，方便下载）、模型大小，以表格的形式给出。如果超参数有差别，可以在表格中新增一列备注一下。
如果涉及到轻量化骨干网络验证，需要新增一列骨干网络的信息。
首先介绍下支持的硬件和框架版本等环境的要求，格式如下：
- 硬件：xxx
- 框架：
- PaddlePaddle >= 2.2.0
然后介绍下怎样安装PaddlePaddle以及对应的requirements。
建议将代码中用到的非python原生的库，都写在requirements.txt中，在安装完PaddlePaddle之后，直接使用pip install -r requirements.txt安装依赖即可。
简单介绍下全量数据和少量数据分别怎么使用，给出使用命令。
可以在此提示用户怎么下载预训练模型、inference模型（如果有）
简单说明一下训练的命令，建议附一些简短的训练日志。
可以简要介绍下可配置的超参数以及配置方法。
简单说明一下评估的命令以及结果，建议附一些简短的评估日志。
在这里简单说明一下预测的命令，需要提供原始图像、文本等内容，在文档中体现输出结果。
如果repo中包含该功能，可以按照Inference推理、Serving服务化部署再细分各个章节，给出具体的使用方法和说明文档。
介绍下tipc的基本使用以及使用链接
本项目的发布受Apache 2.0 license许可认证。