论文复现-Half Instance Normalization Network
发布网友
发布时间：2024-10-24 17:21
共1个回答
热心网友
时间：2024-11-03 18:55
论文复现：HINet - 半实例归一化网络在图像修复中的应用
半实例归一化网络(HINet)在图像修复领域展现了创新性。论文提出了一种名为HIN Block的模块，构建了多阶段网络，通过实例化归一化技术提升了图像恢复的品质，从而在该领域达到了当前最佳性能（SOTA）。
复现结果验证了其有效性，尽管略有差距：在SIDD数据集上，原始论文的PSNR为39.99，SSIM为0.958，而我们的复现结果为PSNR 39.91，SSIM保持不变，两者在关键指标上保持了相当的接近。
SIDD数据集是CVPR2018上提出的专业手机相机降噪研究的数据集，包含5种手机在10个场景下的30000张有噪声图像及其对应的无噪声真实图像，具有广泛的光照条件多样性。
为了实现HINet的复现，你需要安装PaddlePaddle 2.3.0，遵循特定的环境依赖，如调整GPU数量时需确保总批次大小与迭代次数的对应关系。AI Studio提供了必要的算力支持和答疑服务。
在这个过程中，我不仅复现了论文，还借此机会熟悉了PaddlePaddle框架，发现其使用简便，上手迅速。通过这次实践，我不仅深化了对HINet的理解，还增强了对PaddlePaddle基础应用的掌握，这对我的技能库是一次宝贵的增长。特别感谢HINet-official和MIRNet_paddle的开源代码，以及AI Studio的支持，让这次复现之旅收获颇丰。
以上内容来源于原始项目链接的搬运，提供了实际操作的参考。
