旷视MegCup比赛，模型算法，代码以及总结.zip

# 2022-MegCup 旷视MegCup比赛，模型算法，代码以及总结 2022.04.09 初赛4.8号结束，最终初赛排名Rank24，无缘决赛(前20进决赛)，遗憾。 │ README.md │ ├─code │ train.py 用来进行训练代码，包含验证以及预测 │ U-net.py 网络架构 ├─image └─model model.pkl 模型文件 比赛官网：https://studio.brainpp.com/competition/5?name=2022%20MegCup%20%E7%82%BC%E4%B8%B9%E5%A4%A7%E8%B5%9B&tab=overview 赛题介绍：针对RAW格式图像文件进行降噪处理，其中RAW格式数据为图像传感器直接读取的数据，通俗来说，一张通过手机拍出，并且没有经过任何处理的图片。 数据说明：训练集：8192\*256\*256 的RAW格式图像　取值范围0~65535，每张图片的大小为256\*256,一共为8192张。 ​ 8192\*256\*256 大小的real 数据 ​ 8192\*256\*256 大小的noise数据 ​ 测试集：1024\*256\*256 大小的 noise 题目限制：对于模型参数量限制为100k 初步思路： ​ 1.刚开始的思路为使用编码器-解码器的架构，考虑使用Transformer这么模型架构，但是由于模型参数量太大(要是不考虑模型参数量，可以考虑使用Transformer预训练参数+编码器-解码器架构，效果不会很差) ​ 2.不考虑参数量的前提下，可以无脑的添加resnet层，效果一定很好。 ​ 3.CNN架构 ​ DnCNN https://arxiv.org/pdf/1608.03981.pdf ​ DnCNN 架构如下： ​  ​ ​ 通过上图，可以看出DnCNN 基本是在堆砌Conv层，设计出相应的网络的层数以及相应的参数来使的模型变得更好（很难设计出来好的架构）。 ​ 但是，通过阅读DnCNN原文，会发现模型的目标并不是在预测降噪后的图片，而是在预测噪声,其实认真思考一下，在同一个环境下，同一个设备进行采样的数据，那么噪声应该是服从某一个正态分布的，因此可以将从预测图像到预测噪声就可以了。 ​ DnCNN架构需要堆砌10层以上的卷积层，深度太深，可能会出现梯度爆炸或者梯度消失，并且难以训练，那么可以考虑不那么深的网络，或者说更注意表层信息的网络嘛？ ​ BRDNet 使用双层网络架构来解决网络太深的问题，并且训练时间以及效果都比DnCNN要强。 ​ BRDNet 网络架构 ​  ​ 通过对比DnCNN与BRDNet网络架构，其实BRNNet就是两个DnCNN一起进行预测。那么BRNNet比DnCNN的效果强在哪里？其实BRNNet网络更多的关注表层信息(其实对于图像降噪这种问题来说，表层信息是最重要的)，那么居然将两个DnCNN合并到到一起，效果会更好的。那么如果将三个，或者更多的DcCNN合并到一起会不会效果更好的。当然盲目的堆砌DcCNN会带来参数量过大之类的问题，但是目前还没有看到相应的实验。 4. U-net 架构 **Loss函数** 1.L1 loss 2. L2 loss 3. MSE loss 2. MS_SSIM loss 2. MS_SSIM+L1 loss