Skip to content

百度网盘AI大赛——图像处理挑战赛:文档图像摩尔纹消除第2名方案

Notifications You must be signed in to change notification settings

zdyshine/Baidu-netdisk-AI-Image-processing-Challenge-demoire

Repository files navigation

百度网盘AI大赛——图像处理挑战赛:文档图像摩尔纹消除第2名方案

百度网盘AI大赛——图像处理挑战赛:文档图像摩尔纹消除第2名方案

百度网盘AI大赛——美颜祛斑祛痘AB榜第一,决赛判评创新性低,放弃名次(指标比最终评选的第一高0.2db)

code: https://github.com/zdyshine/Faces-HQ-Retouching-Base-BaidunetDIsk
https://aistudio.baidu.com/projectdetail/6714032?contributionType=1

去除摩尔纹,A榜第一,B榜第二。

采用改进的多尺度卷积神经网络来去除摩尔纹。 多尺度网络基于IDR: Self-Supervised Image Denoising via Iterative Data Refinement进行改动。

比赛连接:百度网盘AI大赛:文档图像摩尔纹消除(赛题一)

一、任务分析

本次比赛去摩尔纹,通过消除拍摄时的摩尔纹噪声,还原图片原本的样子,其本质,也是图像复原任务。从评价指标来看,主要是PSNR和MSSSIM,也是图像复原任务中常用的客观评价指标,并且指标归一化后也是很合理的,PSNR和MSSSIM占比一样。其次,从本次的比赛训练数据和测试数据分析。训练数据有1000对,其中包含典型摩尔纹的场景数据占比较少,更多的数据场景,可以归为色彩增强。但是测试集A和测试集B中,典型摩尔纹场景的图片占比较大,因此在这批训练数据上训练的模型,在测试集中会有不稳定的差异。解决方案来讲,最直观有效的是增加对应的训练数据。其次就是进行后处理。

二、模型构建思路及调优过程

(1)算法思路
基于对本次训练数据的分析,我们团队没有直接尝试经典的去摩尔纹的网络。而是修改了几个去噪网络来进行任务。最初是对去年性能很好的MIMOUNet,Restormer以及Uformer网络进行修改。其中MIMOUNet只进行三次降采样,训练和修改的效果来看,线上没有训练很高。。而基于Transformer的方案网络存在训练和测试,效果差异大,不稳定的情况,因此舍弃了使用Transformer的方案(这里不排除是我训练的不够好的情况,各位如果有训练效果还可以的,欢迎交流)。后来对比赛任务进一步分析,感觉无论是色彩在增强还是去摩尔纹,不同的图片的退化差异都比去噪任务更大,需要比去噪更大的感受野。因此就想尝试更多次的降采样,于是使用paddle实现了IDR网络。初次的训练线上分数0.66,提分很明显。之后在该网络的底层增加Non-Local模型,进一步增大感受野。指标也有了进一步的提升。
主要改动:
基于IDR网络:
1.在底层叠加了Non-Local模块,提高网络获取全局信息的能力。
2.把网络特征通道从48增加到96,提高网络的学习能力。

(2)数据增强/清洗策略;
1.训练数据增强:水平翻转,竖直翻转,旋转。
2.测试增强:水平翻转,竖直翻转。

(3)调参优化策略;
每30w iter,lr减半

(4)训练脚本/代码
python train.py

(5)测试脚本/代码,必须包含评估得到最终精度的运行日志; python test.py

三、后处理流程:

**说明:**测试集B更适合后处理,PSNR提升应该在1db,但是由于需要手动设置阈值,未使用该方式。

四、代码内容说明

checkpoint: 保存模型的文件夹
dataloading: 定义数据加载
modules: 定义模型
log: 训练日志
loss: 损失函数

四、预训练模型:

https://aistudio.baidu.com/aistudio/projectdetail/3439099
运行项目,下载预训练模型,同时可以进行在线测试。

About

百度网盘AI大赛——图像处理挑战赛:文档图像摩尔纹消除第2名方案

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages