【图像去噪】第六期论文复现赛——MIRNet

---

本文复现MIRNet系列论文，含V1和V2版本。V1先提取低级特征，经递归残差组处理，再得残差图像，最终恢复图像；V2类似但优化模块提升速度。复现精度达标，提供数据集、预训练模型、文件结构及训练、评估等操作方法，方便使用。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

MIRNet 系列论文复现 兼 飞桨特色模型挑战赛

复现了两篇论文：

MIRNetV1: Learning Enriched Features for Real Image Restoration and Enhancement

MIRNetV2: Learning Enriched Features for Fast Image Restoration and Enhancement

官方源码：https://github.com/swz30/MIRNet 和 https://github.com/swz30/MIRNetV2

复现地址：https://github.com/sldyns/MIRNetV2_paddle

1. 简介

MIRNet V1:

       

给定一个图像 $I\in {\mathbb{R}}^{H\times H\times 3}$I∈RH×H×3，MIRNet 首先应用一个卷积层来提取低级特征 $X_0\in {\mathbb{R}}^{H\times W\times C}$X0∈RH×W×C. 接下来，特征映射 $X_0$X0 通过 $N$N 个递归残差组(RRGs)，产生深度特征 $X_d\in {\mathbb{R}}^{H\times W\times C}$Xd∈RH×W×C. 我们注意到每个 RRG 包含多个多尺度残差块(MRB)，MRB 由多个（本文中有三个）并行连接的全卷积流组成，每个连接上先由 DAU 抑制了不太有用的特性，并且只允许信息更丰富的特性进一步传递给 SKFF，SKFF 模块通过 Fuse 和 select 两种操作对接受域进行动态调整. 接下来， 应用卷积层，得到残差图像 $R\in {\mathbb{R}}^{H\times H\times 3}$R∈RH×H×3。最后，恢复的图像为 $\widehat{I}=I+R$I^=I+R.

MIRNet V2:

       

MIRNetV2 过程同 MIRNet V1 类似，主要在 MRB 内减少了卷积流间的链接，同时将DAU替换为残差上下文块，显著降低了模型大小并提升了推理速度.

2. 复现精度

MIRNet V1:

验收标准：SIDD PSNR: 39.678

复现结果：SIDD PSNR: 39.687

飞桨特色模型挑战赛：

验收标准：SIDD PSNR: 37，SSIM: 0.94

MIRNet V2，训练92个epoch精度：SIDD PSNR: 39.5286，SSIM: 0.9578

3. 数据集、预训练模型、文件结构

3.1 数据集

训练和测试数据为 SIDD-Medium，需要下载并分 patch.

已将分好 patch 的数据放在了 Ai Studio 里.

可直接运行下面的脚本解压：

In [ ]

!cd data && tar -xf data140841/SIDD_patches.tar.gz

   

3.2 预训练模型

MIRNet V1:

1. 官方预训练模型，已转为 paddle 的，名为 MIRNetV1_torch.pdparams.
2. 复现的模型，名为 MIRNetV1_paddle.pdparams.
3. pytorch 的初始化参数，名为 torch_init.pdparams

MIRNet V2:

复现的模型，名为 MIRNetV2_paddle.pdparams，导出的静态图模型参数包括 model.pdmodel 和 model.pdiparams.

运行以下脚本解压：

In [ ]

!unzip data/data150163/pretrained_models.zip -d work/pretrained_models

   

3.3 文件结构

MIRNet_Paddle    |-- configs                       # 单机单卡/四卡训练配置文件
    |-- dataloaders                # 数据集相关文件
    |-- SIDD_patches
         |-- train                      # SIDD-Medium 训练数据
         |-- val                         # SIDD 测试数据
    |-- networks
         |-- MIRNet_model.py          # MIRNetV1模型代码
         |-- MIRNet_V2_model.py    # MIRNetV2模型代码
    |-- pretrained_models              # 预训练模型
    |-- utils                                     # 一些工具代码
    |-- config.py                             # 配置文件
    |-- losses.py                             # 损失函数
    |-- test_denoising_sidd.py       # 测试SIDD数据上的指标
    |-- train_denoising.py              # 训练代码

   

4. 环境依赖

PaddlePaddle >= 2.2.0

scikit-image == 0.19.2

简小派

简小派是一款AI原生求职工具，通过简历优化、岗位匹配、项目生成、模拟面试与智能投递，全链路提升求职成功率，帮助普通人更快拿到更好的 offer。

123 查看详情 In [ ]

!pip install scikit-image natsort yacs

   

5. 核心代码

MIRNet 的核心为 MRB 模块，核心代码为：

class MSRB(nn.Layer):
    def __init__(self, n_feat, height, width, stride, bias):
        super(MSRB, self).__init__()

        self.n_feat, self.height, self.width = n_feat, height, width
        self.blocks = nn.LayerList([nn.LayerList([DAU(int(n_feat*stride**i))]*width) for i in range(height)])

        INDEX = np.arange(0,width, 2)
        FEATS = [int((stride**i)*n_feat) for i in range(height)]
        SCALE = [2**i for i in range(1,height)]

        self.last_up   = nn.LayerDict()        for i in range(1,height):
            self.last_up.update({f'{i}': UpSample(int(n_feat*stride**i),2**i,stride)})

        self.down = nn.LayerDict()
        self.up   = nn.LayerDict()

        i=0
        SCALE.reverse()        for feat in FEATS:            for scale in SCALE[i:]:
                self.down.update({f'{feat}_{scale}': DownSample(feat,scale,stride)})
            i+=1

        i=0
        FEATS.reverse()        for feat in FEATS:            for scale in SCALE[i:]:                
                self.up.update({f'{feat}_{scale}': UpSample(feat,scale,stride)})
            i+=1

        self.conv_out = nn.Conv2D(n_feat, n_feat, kernel_size=3, padding=1, bias_attr=bias)

        self.selective_kernel = nn.LayerList([SKFF(n_feat*stride**i, height) for i in range(height)])    def forward(self, x):
        inp = x.clone()        #col 1 only
        blocks_out = []        for j in range(self.height):            if j==0:
                inp = self.blocks[j][0](inp)            else:
                inp = self.blocks[j][0](self.down[f'{inp.shape[1]}_{2}'](inp))
            blocks_out.append(inp)        #rest of grid
        for i in range(1,self.width):            #Mesh
            # Replace condition(i%2!=0) with True(Mesh) or False(Plain)
            # if i%2!=0:
            tmp=[]            for j in range(self.height):
                TENSOR = []
                nfeats = (2**j)*self.n_feat                for k in range(self.height):
                    TENSOR.append(self.select_up_down(blocks_out[k], j, k))

                selective_kernel_fusion = self.selective_kernel[j](TENSOR)
                tmp.append(selective_kernel_fusion)            #Forward through either mesh or plain
            for j in range(self.height):
                blocks_out[j] = self.blocks[j][i](tmp[j])        #Sum after grid
        out=[]        for k in range(self.height):
            out.append(self.select_last_up(blocks_out[k], k))  

        out = self.selective_kernel[0](out)

        out = self.conv_out(out)
        out = out + x        return out    def select_up_down(self, tensor, j, k):
        if j==k:            return tensor        else:
            diff = 2 ** np.abs(j-k)            if j<k:                return self.up[f'{tensor.shape[1]}_{diff}'](tensor)            else:                return self.down[f'{tensor.shape[1]}_{diff}'](tensor)    def select_last_up(self, tensor, k):
        if k==0:            return tensor        else:            return self.last_up[f'{k}'](tensor)

       

损失函数采用 Charbonnier Loss，实现较为简单，代码如下：

class CharbonnierLoss(nn.Layer):
    """Charbonnier Loss (L1)"""

    def __init__(self, eps=1e-3):
        super(CharbonnierLoss, self).__init__()
        self.eps = eps    def forward(self, x, y):
        diff = x - y        # loss = paddle.sum(paddle.sqrt(diff * diff + self.eps))
        loss = paddle.mean(paddle.sqrt((diff * diff) + (self.eps*self.eps)))        return loss

   

6. 快速开始

配置文件在work/configs下，可修改学习率、batch_size等参数

对于MIRNet V1（论文复现赛93题），单卡运行的配置文件为MIRNet_1cards.yml：

优化相关的设置：batch_size设置为4，epoch设为60，初始学习率设为2e-4.

OPTIM:
  BATCH_SIZE: [4]  NUM_EPOCHS: [60]  LR_INITIAL: 2e-4

       

对于MIRNet V2（特色模型挑战赛5），单卡运行的配置文件为MIRNetV2_1cards.yml：

采用Progressive Learning，即逐渐增大输入的patch_size，并减小batch_size，此处patch_size从128增加到256，batch_size从8减小到2，各个patch_size对应epoch数为30、15、10、5.

OPTIM:
  BATCH_SIZE: [8,6,4,2]  NUM_EPOCHS: [30,15,10,5]  LR_INITIAL: 2e-4
  TRAINING:
  PATCH_SIZE: [128,160,192,256]  NUM_WORKERS: [4,4,4,4]

       

注：学习策略采用Warm up + Cosine Anneal LR，其中Warm up的epoch数为3.

6.1 模型训练

MIRNet V1单卡运行的代码如下：

In [ ]

!cd work && python train_denoising.py --model MIRNet --gpus 1

   

同时给出 MIRNet 单机四卡和 MIRNet V2 的训练脚本，为更好的体验 MIRNet 的训练并得到复现结果，请使用脚本任务.

## MIRnet V1# 单机四卡!cd work && python -m paddle.distributed.launch train_denoising.py --model MIRNet --gpus 4## MIRNet V2# 单机单卡!cd work && python train_denoising.py --model MIRNetV2 --gpus 1# 单机四卡!cd work && python -m paddle.distributed.launch train_denoising.py --model MIRNetV2 --gpus 4

       

训练过程会将模型参数保存在 ./ckpt/Denoising/model/ 文件夹下.

6.2 日志读取

训练过程会将日志记录保存在 ./ckpt/Denoising/logs/ 文件夹下，例如 MIRNet V2 的日志目录为 ./ckpt/Denoising/logs/MIRNet_V2/

日志是用 VisualDL 工具记录的，可在 CodeLab 左侧的数据模型可视化中，设置 logdir 查看.

6.3 模型评估

在 SIDD 测试数据上作测试，以 MIRNet V1 为例，若想测试 MIRNet V2，只需将 --model MIRNet 改为 MIRNetV2，同时修改权重weights路径.

In [ ]

# MIRNet V1!cd work && python test_denoising_sidd.py --input_dir ../data/SIDD_patches/val --weights ./pretrained_models/MIRNetV1_paddle.pdparams --model MIRNet

   

输出如下：

# MIRNet V1PSNR: 39.6872 
SSIM: 0.9586# MIRNet V2PSNR: 39.5286
SSIM: 0.9578

       

达到了验收精度.

6.4 模型预测

在 SIDD 小验证集上作预测，结果存放在 work/results/ 文件夹下，下以 MIRNet V1 为例，对于 MIRNet V2，同上修改weight和model.

In [ ]

# MIRNet V1!cd work && python predict.py --data_path ./SIDD_patches/val_mini/ --s*e_path results/ --s*e_images --model_ckpt ./pretrained_models/MIRNetV1_paddle.pdparams --model MIRNet

   

6.5 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 [41]

# 先上传一张图片，import os.path as ospfrom IPython.display import displayfrom PIL import Image
img_path = 'bird.png' # 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)

       

以下为上传的图片:

       

<PIL.Image.Image image mode=RGB size=288x288 at 0x7F18C56B3550>

               

以 MIRNet V1 为例，对于 MIRNet V2，同上修改model_ckpt和model.

需要指定干净图像和噪声图像，可以只给一张噪声图片，也可以只给一张干净图片，也可以都给.

1. 给定一张噪声图片：指定参数noisy_img，直接输出去噪图片.

2. 给定一张干净图片：指定参数clean_img和noisyL，后者为噪声水平，默认为15，输出加噪图片和去噪图片.

3. 给定噪声图片和干净图片：直接输出去噪图片.

In [ ]

# MIRNet V1 仅给定干净图片，噪声水平为15!cd work && python predict_single.py --clean_img $full_img_path --s*e_images --model_ckpt ./pretrained_models/MIRNetV1_paddle.pdparams --model MIRNet

    In [45]

# 去噪效果查看import globfrom IPython.display import displayfrom PIL import Image

imgs = glob.glob('work/test_images/*')for path in imgs:    print(path)
    img = Image.open(path)
    display(img)

       

work/test_images/bird_noised.png

       

<PIL.PngImagePlugin.PngImageFile image mode=RGB size=288x288 at 0x7F18C5840750>

               

work/test_images/bird_denoised.png

       

<PIL.PngImagePlugin.PngImageFile image mode=RGB size=288x288 at 0x7F18C605A990>

               

work/test_images/bird.png

       

<PIL.PngImagePlugin.PngImageFile image mode=RGB size=288x288 at 0x7F18C58308D0>

               

以上就是【图像去噪】第六期论文复现赛——MIRNet的详细内容，更多请关注其它相关文章！

# 上传  # 鞍山seo优化公司平台  # 陵县营销推广  # 全国网站建设优势分析  # 宜兴无锡网站建设  # 山东雷博网站建设  # 理疗店的推广网站  # 平山行业网站推广方法和策略  # 宜昌市网站线上推广服务  # 泉州网站优化服务商  # 家装公司营销推广方案  # 设为  # 多个  # 放在  # 为例  # python  # 第六期  # 一言  # 配置文件  # 中文网  # 递归  # fig  # udio  # igs  # red  # cos  # ai  # 工具  # git 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： 原小米 9 号员工李明打造全球首款 AI 安卓桌面机器人  Win11 AI 助手 Windows Copilot 被吐槽：套皮的 Edge 浏览器  厂商陆续公布AI进展 完美世界游戏展示复合应用AI in GamePlay  五项人工智能尚未能够实现的任务  腾讯自主研发机器狗 Max 升级，可“奔跑跳跃”完成避障动作  AIGC 风潮刮到游戏产业，巨人网络与阿里云达成“游戏 +AI ”合作  一文看懂被英伟达看中的九号机器人移动底盘  华为即将推出HarmonyOS 4，再度领先行业的AI技术  AI绘画，还需要懂数学？  日入400万，第一批AI骗子已上岗  国内首家，360智脑通过中国信通院可信AIGC大语言模型功能评估  到中国科技馆体验“一滴油的奇妙旅行”，线上元宇宙展厅同步开启  人才智能平台转型中的人工智能的关键角色  OpenAI更新GPT-4等模型，新增API函数调用，价格最高降75%  成都大运会闭幕式引入人形机器人展示表演  田渊栋新作：打开1层Transformer黑盒，注意力机制没那么神秘  字节团队提出猞猁Lynx模型：多模态LLMs理解认知生成类榜单SoTA  2025世界人工智能大会成功召开  AI无法对传统文化符号进行解构和创新  剧透！蜜小豆@2025世界人工智能大会多个亮点曝光  华为推出全新操作系统HarmonyOS 4，AI和新引擎完美融合  AI时代，企业需要什么样的员工？  苹果AI战略与微软谷歌大相径庭，到底是领先还是落后？  实测 AI 建筑设计软件的自动生成效果图能力  英伟达H100霸榜权威AI性能测试 11分钟搞定基于GPT-3的大模型训练  遵义市首次引入手术机器人，成功实施全膝关节置换术  东软成立魔形科技研究院，积极布局大语言模型系统工程战略，迎接AI时代  严打“黑飞”，无人机检测反制设备护航大运会净空安全  世界人工智能大会高合发表演讲，HiPhi Y即将全球上市  PHP和OpenCV库：如何实现人脸识别  苹果头显降临，AI虚拟人的救星还是流星？  618京东3C数码趋势产品备受青睐 AR设备成交额同比增长15倍  天翼云在国际AI顶会大模型挑战赛中获得冠军  优化系统韧性：故障恢复与监控在RabbitMQ中的应用  利好来了，AI再起一波？  两架海燕号无人机交付中国气象局 助力建设国家级机动气象观测业务  如何用AI开创智慧能源新时代？固德威正让能源“通人性”！  如布科技发布新产品AI口袋学习机S12  站在社会的高度理解人工智能  GPT-4不能在麻省理工学院获得计算机科学学位  成功孵化首个大型模型解决方案的重庆人工智能创新中心  DragGAN开源三天Star量23k，这又来一个DragDiffusion  统信深度deepin成立 AI SIG 社区，共同提升 Linux 下 AI 体验  人工智能的变革之路：通过OpenAI的GPT-4漫游  改动一行代码，PyTorch训练三倍提速，这些「高级技术」是关键  写出优质文章的妙招：利用"稿见AI助手"的实用指南  中国移动主导创立元宇宙产业联盟，包括科大讯飞、芒果TV等在内，共24家成员  普林斯顿Infinigen矩阵开启！AI造物主100%创造大自然，逼真到炸裂  阿里云推出通义万相AI绘画大模型  微软最新推出的NaturalSpeech2语音合成模型：提供更准确的语音重构，避免棒读效果 

 2025-07-23