DnCNN_Paddle

Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising 论文复现

官方源码：https://github.com/cszn/DnCNN

官方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

DnCNN-B	Noise Level15
Pytorch	31.73
Paddle	31.73757 (10 times)

3. 数据集和文件结构

官方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 data/ 文件夹下了，可以无需下载.

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

4. 环境依赖

PaddlePaddle >= 2.2.0

scikit-image == 0.19.2

5. 快速开始

初次训练（单机单卡）

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

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：

重新训练

python train.py --num_of_layers 17 --noiseL 15 --val_noiseL 15

单机多卡训练

python -m paddle.distributed.launch --selected_gpus '0,1' train2.py --num_of_layers 17 --noiseL 15 --val_noiseL 15

此处为用两张卡，指定 GPU 为 0 和 1.

日志读取

训练过程会将日志记录和模型参数保存在 logs/ 文件夹下.

日志是用 VisualDL 工具记录的，在根目录下，可通过以下方式查看：

visualdl --logdir ./logs/

或通过：

from visualdl.server import app
app.run(logdir="logs")

模型评估

在 BSD58 数据集上作了 10 次测试，噪声强度为 15

python val.py --log_dir logs --data_path data/BSD68/ --test_noiseL 15

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.

模型预测

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

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

输出为：

PSNR on test data 31.739193

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：

推理过程：

需要安装 reprod_log：

pip3 install reprod_log --force-reinstall

模型动转静导出：

python export_model.py --num_of_layers 17 --logdir logs --save-inference-dir output/

最终在output/文件夹下会生成下面的3个文件：

output
  |----model.pdiparams     : 模型参数文件
  |----model.pdmodel       : 模型结构文件
  |----model.pdiparams.info: 模型参数信息文件

模型推理：

python infer.py --model-dir output --use-gpu True --benchmark False --img-path data/BSD68/test002.png

输出结果为：

image_name: data/BSD68/test002.png, psnr: 32.762483771446746

6. TIPC

首先安装AutoLog（规范化日志输出工具）

pip install  https://paddleocr.bj.bcebos.com/libs/auto_log-1.2.0-py3-none-any.whl

在linux下，进入 DnCNN_paddle 文件夹，运行命令：

bash test_tipc/prepare.sh ./test_tipc/configs/DnCNN/train_infer_python.txt 'lite_train_lite_infer'
bash test_tipc/test_train_inference_python.sh ./test_tipc/configs/DnCNN/train_infer_python.txt 'lite_train_lite_infer'

7. LICENSE

本项目的发布受Apache 2.0 license许可认证。