DeblurGAN

arXiv 论文版本

这是论文《DeblurGAN：使用条件对抗网络进行盲运动去模糊》的 PyTorch 实现。

我们的网络以模糊图像作为输入，生成对应的清晰估计结果，如下例所示：

我们使用的模型是带有梯度惩罚的条件 Wasserstein GAN，并结合基于 VGG-19 激活值的感知损失。这种架构在其他图像到图像的转换任务中（如超分辨率、彩色化、修复、去雾等）也取得了不错的效果。

如何运行

前置条件

• NVIDIA GPU + CUDA CuDNN（尚未测试 CPU 版本，欢迎反馈）
• PyTorch

从 Google Drive 下载权重文件。请注意，在推理过程中只需保留生成器的权重。

将权重文件放置于以下路径：

/.checkpoints/experiment_name

要测试模型，请将模糊图像放入一个文件夹中，然后运行：

python test.py --dataroot /.path_to_your_data --model test --dataset_mode single --learn_residual

数据集

从 Google Drive 下载用于目标检测基准测试的数据集。

训练

如果您想用自己的数据训练模型，请运行以下命令来创建图像对：

python datasets/combine_A_and_B.py --fold_A /path/to/data/A --fold_B /path/to/data/B --fold_AB /path/to/data

然后运行以下命令来训练模型：

python train.py --dataroot /.path_to_your_data --learn_residual --resize_or_crop crop --fineSize CROP_SIZE（我们使用了 256）

其他实现

Keras 博客

Keras 仓库

引用

如果您在研究或工作中觉得我们的代码有所帮助，请引用我们的论文。

@article{DeblurGAN,
  title = {DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks},
  author = {Kupyn, Orest and Budzan, Volodymyr and Mykhailych, Mykola and Mishkin, Dmytro and Matas, Jiri},
  journal = {ArXiv e-prints},
  eprint = {1711.07064},
  year = 2017
}

致谢

代码大量借鉴了 pix2pix。所使用的图像来自 GoPro 测试数据集——DeepDeblur。

DeblurGAN 快速上手指南

DeblurGAN 是一个基于条件对抗网络（Conditional Adversarial Networks）的盲运动去模糊工具。它能够将模糊图像还原为清晰图像，同时也适用于超分辨率、上色、图像修复等其他图像转换任务。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Linux 或 macOS (Windows 需自行配置 CUDA 环境)
• 硬件: NVIDIA GPU + CUDA + CuDNN (CPU 版本未经过测试，不推荐使用)
• 软件依赖:
  • Python 3.x
  • PyTorch

建议通过国内镜像源安装 PyTorch 以加速下载：

pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 克隆代码库

   git clone https://github.com/KupynOrest/DeblurGAN.git
   cd DeblurGAN
   

2. 下载预训练模型权重 从 Google Drive 下载权重文件（若下载缓慢，可尝试使用第三方下载工具或寻找国内搬运资源）： 下载链接

   注意：推理（测试）时仅需保留 Generator 的权重文件。

3. 配置权重路径 将下载的权重文件放入项目目录下的指定文件夹中：

   mkdir -p .checkpoints/experiment_name
   # 将权重文件移动至上述目录
   mv <downloaded_weight_file> .checkpoints/experiment_name/
   

基本使用

1. 准备测试数据

将您需要去模糊的图片放入一个文件夹中（例如 ./my_blurry_images）。

2. 运行去模糊

执行以下命令进行推理。程序会自动读取文件夹中的图片并生成清晰结果：

python test.py --dataroot ./my_blurry_images --model test --dataset_mode single --learn_residual

• --dataroot: 指向包含模糊图像的文件夹路径。
• 生成的清晰图像通常默认保存在 results 目录下。

（可选）训练自己的模型

如果您拥有成对的“模糊 - 清晰”图像数据并希望重新训练模型：

1. 构建数据集（假设模糊图在文件夹 A，清晰图在文件夹 B）：

   python datasets/combine_A_and_B.py --fold_A /path/to/data/A --fold_B /path/to/data/B --fold_AB /path/to/data
   

2. 开始训练：

   python train.py --dataroot /path/to/data --learn_residual --resize_or_crop crop --fineSize 256