Retinexformer 开源项目使用教程

1. 项目介绍

Retinexformer 是一个基于 Retinex 理论的单阶段 Transformer 模型，专门用于低光图像增强。该项目在 ICCV 2023 和 NTIRE 2024 挑战赛中表现优异，支持超过 15 个基准测试和极高分辨率（高达 4000x6000）的低光图像增强。Retinexformer 通过估计光照信息来照亮低光图像，并恢复图像中的损坏，从而生成增强后的图像。

2. 项目快速启动

2.1 环境准备

首先，确保你已经安装了 Conda 环境。然后，创建并激活一个新的 Conda 环境：

conda create -n Retinexformer python=3.7
conda activate Retinexformer

2.2 安装依赖

安装 PyTorch 和其他必要的依赖包：

conda install pytorch=1.11 torchvision cudatoolkit=11.3 -c pytorch
pip install matplotlib scikit-learn scikit-image opencv-python yacs joblib natsort h5py tqdm tensorboard
pip install einops gdown addict future lmdb numpy pyyaml requests scipy yapf lpips

2.3 下载项目

克隆 Retinexformer 项目到本地：

git clone https://github.com/caiyuanhao1998/Retinexformer.git
cd Retinexformer

2.4 数据准备

下载所需的低光图像数据集，并将其组织到项目目录中。例如，下载 LOL-v1 数据集：

mkdir -p data/LOLv1/Train/input
mkdir -p data/LOLv1/Train/target
mkdir -p data/LOLv1/Test/input
mkdir -p data/LOLv1/Test/target

2.5 模型测试

下载预训练模型并进行测试：

# 下载预训练模型
wget https://example.com/pretrained_weights/LOL_v1.pth -O pretrained_weights/LOL_v1.pth

# 激活环境
conda activate Retinexformer

# 测试 LOL-v1 数据集
python3 Enhancement/test_from_dataset.py --opt Options/RetinexFormer_LOL_v1.yml --weights pretrained_weights/LOL_v1.pth --dataset LOL_v1

3. 应用案例和最佳实践

3.1 低光图像增强

Retinexformer 可以应用于各种低光图像增强场景，如夜间监控、低光摄影等。通过使用 Retinexformer，可以显著提高图像的亮度和清晰度，从而提升图像的可视性和分析价值。

3.2 夜间物体检测

在夜间物体检测任务中，低光图像的质量直接影响检测的准确性。使用 Retinexformer 对低光图像进行预处理，可以显著提高物体检测的性能。

4. 典型生态项目

4.1 BasicSR

BasicSR 是一个开源的图像和视频恢复工具包，支持多种图像恢复任务，如超分辨率、去噪等。Retinexformer 可以与 BasicSR 结合使用，进一步提升图像恢复的效果。

4.2 NTIRE 挑战赛

NTIRE 挑战赛是一个专注于图像恢复和增强的国际竞赛。Retinexformer 在 NTIRE 2024 挑战赛中取得了优异的成绩，展示了其在低光图像增强领域的强大能力。

通过以上步骤，你可以快速上手使用 Retinexformer 进行低光图像增强。希望这个教程对你有所帮助！