虽然最近在图像复原领域取得了重大进展，但最先进（SOTA）方法的系统复杂性也在增加，这可能会阻碍方法的方便分析和比较。在本文中，我们提出了一个简单的基线，它超过了SOTA方法，并且在计算上是有效的。为了进一步简化基线，我们揭示了非线性激活函数，如Sigmoid、ReLU、GELU、Softmax等是不必要的：它们可以被乘法取代或删除。因此，我们从基线导出了一个非线性激活自由网络，即NAFNet。SOTA结果是在各种具有挑战性的基准上实现的，例如GoPro上的33.69 dB PSNR（用于图像去模糊），超过了以前的SOTA 0.38 dB，仅占其计算成本的8.4%;SIDD上的40.30 dB PSNR（用于图像去噪），超过了以前的SOTA 0.28 dB，计算成本不到一半。
论文: Simple Baselines for Image Restoration
此任务使用 GoPro 数据集. 数据集包括T2103列车和1111测试图像，分辨率为1280 x 720。
下载 链接.
- 硬件 (Ascend)
- 使用Ascend 910准备硬件环境 (cann_6.0.0, euler_2.8, py_3.7)
- 框架
- MindSpore 2.0.0-alpha 或 更新版本
| 参数 | NAFNet deblur (8xNPU) |
|---|---|
| 模型版本 | NAFNet |
| 资源 | 1x Ascend 910A |
| 上传日期 | 06 / 14 / 2023 (month/day/year) |
| MindSpore 版本 | 1.9.0 |
| 数据集 | GoPro |
| 训练参数 | batch_size=16, 10000 epochs |
| 优化器 | Adam |
| 速度 | 780 ms/step |
| 总时间 | 2d 12h 31m |
| 微调参数文件 | 274.9 MB (.ckpt file) |
| 参数 | NAFNet deblur (1xNPU, CANN) |
|---|---|
| 模型版本 | NAFNet |
| 资源 | 1x Ascend 910A |
| 上传日期 | 06 / 14 / 2023 (month/day/year) |
| MindSpore 版本 | 1.9.0 |
| 数据集 | GoPro |
| Batch_size | 1 |
| 推理速度/s | 0.041 (1280x720) |
| PSNR 指标 | 30.48 |
| SSIM 指标 | 0.9041 |