图像复原与均值回复随机微分方程：IR-SDE 使用指南

项目介绍

IR-SDE（图像复原与均值回复随机微分方程）是ICML 2023会议上发表的一项研究成果，并且是NTIRE 2023图像阴影移除挑战的胜出方案。该项目利用了一种创新的SDE方法来实现通用目的的图像恢复，无需特定退化过程的知识，只需更替数据集即可应对多种任务，如去雨、去噪、超分辨率等。

关键特性：

• 均值回复SDE模型：将高质量图像通过加入固定高斯噪声转化成低质量状态。
• 逆时模拟：通过反向时间的SDE模拟恢复原始高质量图像。
• 封闭形式解：允许使用神经网络学习真实的时间依赖分数。
• 适用范围广：涵盖合成和实际数据集，提供预训练模型。

项目快速启动

环境准备

确保你的开发环境满足以下条件：

• 操作系统：Ubuntu 20.04
• NVIDIA 驱动：CUDA 11.7
• cuDNN：8.5.0
• Python 3
• PyTorch >= 1.13.0

安装Python包：

pip install -r requirements.txt

运行示例：图像去雨

1. 下载或克隆项目：

git clone https://github.com/Algolzw/image-restoration-sde.git
cd image-restoration-sde

2. 修改配置文件以指向正确的数据集路径，并选择任务（例如，去雨）。

3. 训练模型（单GPU示例）：

python codes/config/deraining/train.py -opt=options/train/ir-sde.yml

4. 进行评估：

python codes/config/deraining/test.py -opt=options/test/ir-sde.yml

应用案例和最佳实践

• 图像去雨：通过替换配置文件中的任务参数，可以轻松应用于图像去雨任务。项目中提供了详细的训练和测试脚本，以及如何调整数据集路径的指导。
• 性能指标：在Rain100H数据集上，IR-SDE展示了优异的性能，特别是在PSNR方面超过其他方法，而无需繁琐的调参。

典型生态项目

• Refusion：与IR-SDE同源，专为大规模真实图像修复设计，利用潜空间扩散模型，适用于更大的图像尺寸处理。

对于希望扩展使用或研究图像修复领域的开发者，探索Refusion分支或者阅读其对应的论文及配置文件，可以发现更多高级实践和应用策略。

---

本快速入门提供了基本的启动步骤和概念性介绍，深入学习与定制化应用建议参考项目的GitHub页面和官方文档。利用IR-SDE，研究人员和工程师能够快速地集成先进的图像恢复技术到他们的项目中，促进视觉数据处理的精度和效率提升。