# 论文复现：Image Super-Resolution Using Very Deep Residual Channel Attention Networks

---

• RCAN
  • 一、简介
  • 二、复现结果
  • 三、数据集
  • 四、环境依赖
  • 五、预训练模型
  • 六、快速开始
    • 训练
    • 测试
    • 评价指标
  • 七、模型信息

一、简介

---

本项目基于paddlepaddle框架复现Residual Channel Attention Networks(RCAN).RCAN网络是一种Residual in Residua（RIR）结构来形成的非常深的网络，它由几个具有长跳跃连接的残差组组成。每个残差组包含一些具有短跳过连接的残差块。同时，RIR允许通过多个跳转连接绕过丰富的低频信息，使主网络专注于学习高频信息。并加入了通道注意机制，通过考虑通道之间的相互依赖性，自适应地重新缩放通道特征。

论文

Zhang, Yulun, et al. "Image super-resolution using very deep residual channel attention networks." Proceedings of the European conference on computer vision (ECCV). 2018.

参考项目

https://github.com/yulunzhang/RCAN

项目aistudio地址

https://aistudio.baidu.com/aistudio/projectdetail/3000561 版本为Commit_3，运行main.ipynb即可开始训练。

二、复现结果

指标（在set14上测试）

模型	PSNR	SSIM
论文	28.98	0.7910
Paddle训练	28.99	0.7913
预训练模型权重转换	28.98	0.7910

三、数据集

训练集下载： DIV2K dataset ，解压到 data/ 文件夹中。训练所需的文件夹为DIV2K/DIV2K_train_HR和DIV2K/DIV2K_train_LR_bicubic。

测试集已整理好在 data/benchmark/ 和 Test_code/ 中 。

四、环境依赖

硬件：GPU、CPU

框架：PaddlePaddle >=2.2.0

五、预训练模型

下载地址：百度网盘，提取码：hiu0

将所有预训练模型存放在 experiment/model/ 中

其中 RCAN_BIX2.pdparams 用于训练，model_6.pdparams 为基于paddlepaddle训练出来的模型，RCAN_BIX4.pt 为原作者提供的预训练模型，RCAN_BIX4.pdparams 为转换原作者提供的预训练模型。

预训练模型的验证及结果见 Inference，分别直接运行两个文件夹中的 main.py 即可得到 numpy 的 seed=1 时随机生成输入的结果。

运行 Inference/val.py 即可得到输出结果相差的验证。

六、快速开始

训练

原作者提供的训练脚本中，采用 RCAN_BIX2.pt 作为初始权重使用，我们参考作者的做法，将他提供的预训练权重转为paddle的权重 RCAN_BIX2.pdparams 并开始训练。

cd Train_code
LOG=./../experiment/RCAN_BIX4_G10R20P48-`date +%Y-%m-%d-%H-%M-%S`.txt

python main.py --model RCAN --save RCAN_BIX4_G10R20P48 --data_test Set14 --scale 4 --n_resgroups 10 --n_resblocks 20 --n_feats 64 --reset --chop --save_models --save_results --patch_size 192 --pre_train ../experiment/model/RCAN_BIX2.pdparams 2>&1 | tee $LOG

训练结果和日志见 experiment/RCAN_BIX4_G10R20P48/

由于训练中断过，我们分了两次训练，其中后缀为 _1 表示第一次训练的日志，后缀为_2 表示第二次训练的日志

测试

cd Test_code/code

# 测试我们自己训练出来的模型
python main.py --data_test MyImage --scale 4 --model RCAN --n_resgroups 10 --n_threads 1 --n_resblocks 20 --n_feats 64 --pre_train ../../experiment/model/model_6.pdparams --test_only --save_results --chop --self_ensemble --save RCANplus --testpath ../LR/LRBI --testset Set14

# 测试作者提供的预训练模型(已转换为paddle的权重)
python main.py --data_test MyImage --scale 4 --model RCAN --n_resgroups 10 --n_threads 1 --n_resblocks 20 --n_feats 64 --pre_train ../../experiment/model/RCAN_BIX4.pdparams --test_only --save_results --chop --self_ensemble --save RCANplus --testpath ../LR/LRBI --testset Set14

测试结果将保存在 Test_code/SR/BI/RCANplus/Set14/x4 中。

评价指标

运行 Test_code/ 下的代码 Evaluate_PSNR_SSIM.m 即可得到PSNR和SSIM的结果 。

七、模型信息

模型的总体信息如下：

信息	说明
框架版本	Paddle 2.2.0
应用场景	图像生成
支持硬件	GPU / CPU