POSTECH Institute of Artificial Intelligence Intern Program
Image denosing with NAFNet https://github.com/megvii-research/NAFNet
demo.py 실행시키기 위한 준비 과정
- pretrained models 다운로드 https://github.com/megvii-research/NAFNet/#results-and-pre-trained-models:~:text=the%20predicted%20image-,pretrained%20models,-should%20be%20downloaded
- 다운로드 후 experiments에 모델 파일 저장
- python path 설정 :
export PYTHONPATH= /프로젝트디렉토리/:/basicsr모듈디렉토리/ echo $PYTHONPATH: 파이썬 모듈 찾는 경로가 잘 설정되었는지 확인python setup.py develop --no_cuda_ext: processing dependencies for basicsr 모듈
denoising, deblurring 옵션을 원하는 대로 선택하는 demo.Multi.py 사용 방법
- Required 실행 조건 만족
- demo/Multi_in 폴더에 노이즈 이미지 넣어놓기
python basicsr/demo_Multi.py- 1: denoising , 2: deblurring, 3: 둘다 옵션 중 원하는 옵션 입력
- demo/Multi_out 폴더에 작업 후 이미지 생성됨
🏆 평가 지표
NIQE | Naturalness Image Quality Evaluator
영상의 자연스러움 및 품질을 평가한다.
입력 영상의 통계적 특성과 밝기, 색상, 대비 등과 관련된 특징을 추출한다. 사전 학습된 모델을 사용하여 특징을 추출하고 점수를 반환한다. 점수가 낮을 수록 영상의 품질이 높다.
https://github.com/guptapraful/niqe
☑️ 노이즈가 추가된 이미지와 원본 이미지에 대해 각각 테스트 수행한 NIQE 점수 결과
- NAFNet-width32 모델은 Set12, BSD68 노이즈 데이터셋에 대하여 평균 10.94%, 16.40% 의 이미지 개선 성능을 보였다.
- NAFNet-width32 모델은 FID300, Dust_Film 데이터셋에 대하여 이미지 개선 성능을 나타내지 않았다.
- NAFNet-width32 모델은 특히 FID300, Dust_Film 노이즈 데이터셋에 대하여 육안으로 이미지 손상을 확인할 수 있었다.
🖇️ 노이즈가 추가된 이미지와 원본 이미지에 대해 각각 테스트 수행 결과
