Skip to content
New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

求预训练权重文件 #2

Open
ChickenEating opened this issue Dec 7, 2023 · 2 comments
Open

求预训练权重文件 #2

ChickenEating opened this issue Dec 7, 2023 · 2 comments

Comments

@ChickenEating
Copy link

作者您好:
我使用您的方法在CSD数据集上训练46轮,然后看了下推理效果如下图,感觉效果不是很好。请问能否提供一下您的预训练权重文件?我想用您训练好的权重做推理和测试。
INN_CSD_46epochs
另外,可逆神经网络训练时应该有反向过程,可是您提供的训练代码中好像反向过程被注释掉了,如下图:
INN
这里我不太明白,是不是我对INN的理解有偏差。恳请作者赐教!

@csxhtan
Copy link
Owner

csxhtan commented Dec 7, 2023

您好,根据您给的效果图大概看到雪花已经被去除了,出现这种视觉效果可能是因为cv2和PIL读取的原因(二者读取图片时rgb顺序是不同的)。要注意dataset,testdataset函数中如果使用了cv2/PIL来读入图片,则测试时也需要用cv2/PIL读取图片,如果dataset和test使用的读取方式不同,则要使用torch.flip函数来调整rgb的顺序(我们的代码中给出了,您可以根据具体情况选择是否使用这个函数)。我们在发布目前版本的代码前已经测试了代码的性能,如果使用正确是可以复现出优于论文的效果的。
对于反向过程,我们的INN输入为双图,与其他单图输入的INN是不同的,我们的网络的反向主要作用是进一步提升效果(具体可以阅读我们的论文进行理解),但由于去雪数据集过于庞大,增加这个过程会导致训练时间很长且增加了一定的调参难度,因此在这里注释了,您也可以选择取消注释进行训练。

@ChickenEating
Copy link
Author

非常感谢您的认真解答,图片读取顺序的问题已经解决了,复现的效果如下:
INN_Desnow
可以看出除雪后图像的视觉效果确实很不错。你们的工作很扎实,我会仔细研读你们的论文理解INN的原理。

Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment
Labels
None yet
Projects
None yet
Development

No branches or pull requests

2 participants