简介本资源是基于PyTorch实现的RIDNet图像去噪模型完整复现项目面向深度学习初学者与计算机视觉方向研究者聚焦真实场景下的噪声抑制任务可直接用于单张图像去噪推理及PSNR/SSIM指标评估。压缩包共20个文件包含7个核心Python脚本如RIDNet.py模型定义、train.py训练入口、predict.py单图测试、test_benchmark.py批量评测、4个XML配置文件IDE环境配置、3个编译缓存pyc文件以及README说明文档、示例图像与预训练权重checkpoint.pth.tar等整体体积16.38MB结构清晰、模块职责明确。已有539人学习下载提供开箱即用能力含已训练模型、标准化数据加载器、加噪/去噪效果可视化脚本、测试集定量评估工具及完整训练流程大幅降低复现门槛适合快速验证算法性能或作为课程实验与科研基线代码。 做图像去噪实验绕不开RIDNet。这个网络是ICCV 2019提出的把特征注意力feature attention机制引入残差去噪框架在真实图像去噪上效果相当能打。我这次把RIDNet用Pytorch完整复现了一遍代码、权重、评测脚本都整理好了可以直接拿去对真实照片做去噪处理。整份复现包含三个部分模型定义、PSNR/SSIM计算脚本、训练好的权重文件。从零开始调通这个项目大概花了两周中间踩了不少环境、训练、评测上的坑这篇文章就把完整过程和关键细节记录下来。如果你是刚入图像去噪方向的研究生或者需要在工程里加一个真实图像去噪能力的开发者这套代码非常适合当基线。复现版本没有改动论文的原始结构训练策略也贴近官方配置直接加载权重就能用。下面从原理、代码、实操、训练、排错五个方面拆开讲。1. RIDNet为什么值得复现结构设计与核心原理1.1 真实图像去噪的难点在哪里传统去噪算法比如BM3D、非局部均值对加了高斯噪声的图片效果很好但拿到真实照片上就翻车。原因很简单真实图像噪声不是独立同分布的高斯白噪声它和传感器型号、ISO、曝光时间、暗电流都有关系而且在暗部区域噪声特别明显还伴随颜色偏移。深度学习兴起后DnCNN这类网络用残差学习在合成高斯噪声上去噪效果不错但直接在真实噪声图上表现依然一般。RIDNet就是奔着真实图像去噪来的它不假设噪声模型直接把真实噪声图的分布交给网络去学。论文里专门提到真实噪声图像往往来自相机成像链路噪声与信号强度相关暗区噪声更大。传统方法很难对这种信号相关噪声建模但数据驱动的深度网络可以。RIDNet在DND和SIDD这两个真实图像去噪基准上的表现当时是明显超过DnCNN和BM3D的。DND全称是Darmstadt Noise Dataset包含50张由不同相机在不同ISO下拍摄的真实噪声图基准测试时必须把去噪结果提交到服务器由官方评估。SIDD则是用智能手机拍摄的大量噪声对。这两个数据集就是真实图像去噪领域的“考场”RIDNet能在这两个榜单上站稳脚跟说明它的设计思路是有效的。1.2 特征注意力机制的作用RIDNet最大的创新点在特征注意力Feature Attention模块。网络内部有多层卷积产生的特征图不同通道承载的信息不一样有的通道主要响应图像结构有的通道主要响应噪声纹理。如果对所有通道一视同仁网络就只能被动拟合噪声和信号的混合分布。特征注意力模块通过全局平均池化提取每个通道的统计量再用两层1x1卷积和sigmoid生成每个通道的权重把权重乘回特征图。这样网络可以自动放大那些主要包含干净结构的通道同时抑制以噪声为主的通道。这里的关键在于“注意力是在特征通道上做而不是在空间位置上做”。图像去噪本质是逐像素重建空间上每个位置都有信号用空间注意力去挑位置反而会丢失信息而通道之间确实存在明显的语义差别通道注意力更符合去噪任务的需求。这也是RIDNet比直接在网络里塞一个SENet模块效果更好的原因它把注意力模块设计成了紧耦合在残差块内部的结构。我做过对比实验把CA模块去掉之后PSNR掉了0.5到0.8个dB而且去噪结果在纹理区域有明显的振铃效应。可见这个模块不是锦上添花而是RIDNet的核心竞争力。通道注意力的直观理解是每个卷积核都在学某种特定的图像模式有些模式在噪声图上不可靠网络学会了给这些通道降低权重给那些对应清晰边缘、平滑区域的通道提高权重。1.3 残差模块与整体流程RIDNet整体由三部分组成。第一部分是一个3x3卷积把三通道输入映射到64通道特征空间第二部分是三个残差模块串联每个残差模块内部由一个SFE特征提取子网和一个CA通道注意力构成并且每个残差模块还有自己的恒等连接保证梯度能顺畅回流第三部分是重建模块先用卷积把特征映射回64通道再加上最开始的全局特征最后用一个3x3卷积输出三通道去噪结果。用核心代码来表达这个结构class RIDNet(nn.Module): def __init__(self, in_channels3, num_features64, num_blocks3): super(RIDNet, self).__init__() self.conv1 nn.Conv2d(in_channels, num_features, 3, padding1) self.residual_blocks nn.ModuleList( [ResidualBlock(num_features) for _ in range(num_blocks)] ) self.conv2 nn.Conv2d(num_features, num_features, 3, padding1) self.conv3 nn.Conv2d(num_features, in_channels, 3, padding1) def forward(self, x): out self.conv1(x) identity out for block in self.residual_blocks: out block(out) out self.conv2(out) out out identity out self.conv3(out) return out整个网络没有下采样是端到端的全卷积结构因此输入尺寸和输出尺寸完全一样可以处理任意分辨率的图像。这一点在真实图像去噪里很重要因为真实照片尺寸不固定用全卷积网络就不用担心输入尺寸限制。关于通道数和残差块数量的选择论文实验里验证过64通道、3个残差块是效果和计算量的平衡点。我实际测试把通道数从64加到128BSD68上的PSNR只提升了不到0.1dB但参数量从约1.5M涨到约5.8M推理速度差不多慢了一倍完全没有性价比。残差块从3个加到5个PSNR提升也微乎其微显存占用倒是实打实多了不少。所以复现时不建议随意加宽加深网络RIDNet的优势就在于结构简洁高效。2. 环境准备与项目快速上手2.1 Pytorch环境配置要点运行这套代码需要Python 3.8以上、Pytorch 1.8以上我自己用的版本是Pytorch 2.1加CUDA 12.1实测没有问题。CPU也能跑推理但速度和GPU差很多。如果你还没有Pytorch环境推荐用Anaconda创建独立环境避免把系统Python环境搞乱。conda create -n ridnet python3.9 conda activate ridnet pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121除了Pytorch还需要numpy、opencv-python、scikit-image、tqdm这几个库作用分别是数组运算、图像读写、SSIM计算和进度条展示。pip install numpy opencv-python scikit-image tqdm有些同学习惯用pip直接装最新版但如果GPU驱动比较旧建议先确认CUDA版本再装匹配的Pytorch。用nvidia-smi查看CUDA版本然后去Pytorch官网选对应版本安装这一步能避开很多莫名其妙的报错。安装完成后可以用一段极简代码验证环境import torch print(torch.__version__) print(torch.cuda.is_available())第二个输出是True就说明GPU环境正常。如果输出False先别急着跑模型把CUDA和Pytorch的版本匹配问题解决了再继续否则后面每次训练都会卡在设备问题上。2.2 项目目录结构与权重文件复现代码的目录结构整理如下建议按照这个结构存放RIDNet-PyTorch/ ├── models/ │ ├── ridnet.py # RIDNet模型定义 │ └── __init__.py ├── utils/ │ ├── metrics.py # PSNR/SSIM计算 │ ├── dataset.py # 训练数据加载 │ └── __init__.py ├── checkpoints/ │ └── RIDNet.pt # 训练好的权重 ├── test.py # 推理脚本 ├── train.py # 训练脚本 └── requirements.txt权重文件RIDNet.pt是从官方发布的基础上重新训练对齐的在BSD68数据集上和其他公开复现版本效果基本一致。加载权重的方法很简单直接用torch.load读取state_dict再load到模型里就行了。注意权重是配合上面这个模型结构定义的如果你自己改动了通道数或残差块数量加载时会报key不匹配。权重文件大小大约6MB因为网络本身比较轻量参数量在150万左右。训练好的模型文件可以直接用在真实图像去噪上这也是这个复现项目最省事的地方——不用自己花十几个小时训练下载权重就能跑出效果。2.3 第一次跑通推理准备好一张带噪声的照片比如dirty.png执行python test.py --input dirty.png --output clean.png --weights checkpoints/RIDNet.pt --cuda脚本会读取图像、做归一化、前向推理、反归一本文还有配套的精品资源点击获取