paper名称是《MOWA: Multiple-in-One Image Warping Model》, ariv链接 https://arxiv.org/pdf/2404.10716
我第一次读这篇paper时，就被文章将开头的图片吸引了，图片是这样的。
可以看到，它一个模型就解决多个图像扭曲任务的，并且在摘要里的最后说：“大量实验表明，我们的 MOWA 在六个多合一图像扭曲任务上进行训练，在大多数任务上都优于最先进的特定任务模型。此外，MOWA 还表现出泛化到未见过场景的潜力，跨域和零样本评估证明了这一点。”
这么好的文章，我立刻就想着导出onnx模型文件，编写推理部署程序的，经过3天的编写和调试，最后发布了这套代码。
起初想用opencv-dnn做推理引擎的，可是opencv-dnn加载onnx文件报错了，看日志信息推测是在encoder模块里的LeWinTransformerBlock模块里的masked_fill在捣鬼
，因此我使用onnxruntime做推理引擎。
在编写c++程序的过程中发现了一个有趣的现象，那就是在GridSamplerBilinear函数里，数组以vector的形式访问和赋值，耗时140秒，
可是以指向数组的指针形式访问和赋值，耗时只有0.003秒，相差了46666倍的速度。
onnx文件在百度云盘，链接：https://pan.baidu.com/s/1fLODbgP7oMeHUXuCR3U0xQ
提取码：auhs
测试图片数量比较多，打包上传到百度云盘了，链接：https://pan.baidu.com/s/1Fq871r6TTsxcpqthgME9cg
提取码：jxk6
基于onnxruntime部署MOWA多合一图像扭曲模型+测试图片（C++和Python）源码+.zip （47个子文件） 
code .git 
index 2KB HEAD 21B refs heads main 41B tags remotes origin HEAD 30B objects pack pack-b3a14f5e626a1fd14c0883de51f5ea1603969db2.pack 31KB pack-b3a14f5e626a1fd14c0883de51f5ea1603969db2.idx 2KB info description 73B packed-refs 112B info exclude 240B logs HEAD 183B refs heads main 183B remotes origin HEAD 183B hooks post-update.sample 189B prepare-commit-msg.sample 1KB commit-msg.sample 896B pre-receive.sample 544B update.sample 4KB pre-commit.sample 2KB pre-rebase.sample 5KB applypatch-msg.sample 478B fsmonitor-watchman.sample 5KB push-to-checkout.sample 3KB pre-applypatch.sample 424B pre-push.sample 1KB pre-merge-commit.sample 416B config 305B python main.py 10KB numpy_tps_transform.py 5KB numpy_grid_sample.py 3KB numpy_tps_upsample.py 3KB utils_transform.py 5KB main_portrait.py 9KB numpy_upsample.py 3KB cpp utils_transform.cpp 11KB
CMakeLists.txt 1KB upsample.cpp 4KB grid_sample.cpp 6KB utils_transform.h 1KB main.cpp 23KB tps_upsample.cpp 3KB tps_transform.cpp 4KB grid_sample.h 447B upsample.h 263B main_portrait.cpp 21KB tps_upsample.h 283B tps_transform.h 288B README.md 2KB资源评论
