NAFNet

NAFNet 项目介绍

NAFNet 是一个全新的图像复原模型，专注于图像的去模糊、去噪和立体图像的超分辨率等任务。该项目由陈良玉、初晓婕、张祥雨和孙剑团队提出，并已在 2022 年欧洲计算机视觉会议 (ECCV 2022) 上发表。

项目背景

近年来，图像复原领域取得了显著进展，但主流方法复杂且计算成本较高，使得分析和比较不同模型变得困难。NAFNet 项目提出了一个简单的基准，它不仅超过了当前最新的方法，而且计算效率高。该框架的核心思想在于去掉不必要的非线性激活函数，如 Sigmoid、ReLU、GELU、Softmax 等，从而简化计算。

项目亮点

NAFNet 的最大特点是其高效性，通过去除非线性激活函数来简化结构，表现甚至优于现有最优方法。在多个具有挑战性的基准测试中，NAFNet 的表现如下：

• 图像去模糊：在 GoPro 数据集上获得了 33.69 dB PSNR，超过了此前最佳方法 0.38 dB，但计算成本仅为其 8.4%。
• 图像去噪：在 SIDD 数据集上取得了 40.30 dB PSNR，比之前的最佳方法高出 0.28 dB，而计算成本则减少了一半以上。

安装指南

NAFNet 基于 Python 和 PyTorch 构建，推荐的环境配置包括 Python 3.9.5、PyTorch 1.11.0 和 CUDA 11.3。安装步骤如下：

git clone https://github.com/megvii-research/NAFNet
cd NAFNet
pip install -r requirements.txt
python setup.py develop --no_cuda_ext

快速入门

项目提供了一系列的在线演示，可以立即体验 NAFNet 在图像复原方面的卓越表现：

• 图像去噪在线演示
• 图像去模糊在线演示
• 立体图像超分辨率在线演示

用户可以通过指定输入路径和输出路径来在本地进行图像复原测试，并可下载预训练模型以获得更好的效果。

项目成果及预训练模型

NAFNet 已在多个数据集上测试并取得优异成绩，提供了多种预训练模型供使用。以下列出部分模型的测试结果：

• NAFNet-GoPro-width64：PSNR 为 33.7103，SSIM 为 0.9668。
• NAFNet-SIDD-width64：PSNR 为 40.3045，SSIM 为 0.9614。

图像复原任务

NAFNet 适用于以下多种图像复原任务：

• 图像去模糊
• 图像去噪
• 带有 JPEG 伪影的图像去模糊
• 立体图像超分辨率

联系方式

如果您有任何问题或建议，可以通过以下邮箱联系陈良玉 (chenliangyu@megvii.com) 或初晓婕 (chuxiaojie@megvii.com)。

NAFNet 项目以其简洁和高效的设计为图像复原领域带来了新的思路，是从业者和研究人员不可错过的工具。