-
数据集
需要通过运行 SIDD 准备Srgb验证数据集。
-
推理测试用例
然后运行推理
python test_tunable_nafnet.py
-
Tunable 参数
可调参数的和应该总是为1。在这个测试案例中，我们控制去噪强度。例如，
1.0 0.0将提供最大的去噪，0.5 0.5将提供中等的去噪，0.0 1.0将提供最小的去噪。为了可视化，您可以设置标记来保存图像。推理图像将保存在
output/nafnet中，每个png将包含(从左到右):噪声输入，预测输出，真实标签。
-
数据集
需要准备 Kodak 数据集。
-
推理测试用例
主界面与之前非常相似，只需运行即可
python test_tunable_nafnet.py
默认情况下，标准差为25的去噪实验将开始。
-
Tunable 参数
和以前一样，你可以改变可调参数，添加标记来保存图像，也可以添加参考PyTorch实现。除此之外，您还可以选择要运行的实验。其中
noise_stddev将运行去噪实验(标准偏差为15/25/50的高斯噪声，sr_factor超分辨率实验(超分辨率因子4)。在两个实验中，我们都有两个可调参数。在去噪实验中，参数控制去噪强度。例如，
1.0 0.0将提供最大的去噪，0.0 1.0将提供最小的去噪。在超分辨率实验中，参数控制感知失真权衡。例如，1.0 0.0将提供最大的准确性，0.0 1.0将提供最大的感知质量。
-
数据集
需要准备 Kodak 数据集。
-
推理测试用例
主界面与之前非常相似，只需运行即可
python test_tunable_edsr.py
-
Tunable 参数
和以前一样，你可以改变可调参数，添加标记来保存图像，也可以添加参考PyTorch实现。 除此之外，您还可以通过以下参数选择噪声标准偏差以及模糊大小:
noise_stddev的有效值在[5,30]，blur_stddev的有效值在[0,4]。低的noise_stddev值对应输入图像中的低噪声量，低的blur_stddev值对应输入图像中的低模糊量。注意，在这种情况下，我们同样有两个可调参数:第一个参数控制去噪强度，第二个参数控制去模糊强度。例如，
1.0 0.0将提供最大的去噪和最小的去模糊，1.0 1.0将提供最大的去噪和去模糊。
-
数据集
需要准备 Kodak 数据集。
-
推理测试用例
主界面与之前非常相似，只需运行即可
python test_tunable_edsr.py
-
Tunable 参数
和以前一样，你可以使用
--params改变可调参数，添加标记来保存图像--save_images。请注意，在本例中，我们再次使用三个可调参数控制三种不同风格的影响，即Mosaic(1.0 0.0 0.0)、Edtaonisl(0.0 1.0 0.0)和Kandinsky(0.0 0.0 1.0)。你可以尝试任何参数的组合，只要所有参数的和是1.0;例如，0.0 0.5 0.5是正确的，但1.0 0.5 0.0是错误的。