文章目录前言数据集训练数据集评估数据集测试数据集网络模型自定义工具包网络训练和测试结语前言图像恢复是一类图形去噪问题的集合，在深度学习中可以理解为监督回归问题，主要包括图像去雨、图像去雾、图像去噪，图像去模糊和图像去马赛克等内容，但利用 pytorch 实现的代码类似，只是在具体网络结构上略有区别。以图像去雨为例，之前写过一篇图像去雨的 pytorch 实现文章: https://blog.csd

扩散模型SR3在图像去雨、去雾等任务上的应用，附代码注释和实现代码

常用 TensorBoard 来显示神经网络训练损失值变化曲线，但需要下载包，操作相对比较麻烦，因此对于非特殊情况可以使用 Matplotlib 来输出曲线，具体代码如下。import matplotlib.pyplot as plt# 设置汉字输出plt.rcParams['font.sans-serif'] = ['SimSun']plt.rcParams['axes.unicode_minu

文章目录SwinIR 论文SWinIR 网络结构整体框架浅层特征提取深层特征提取图像重建模块主要代码理解SwinIRMLPPatch EmbeddingWindow Attention残差 Swin Transformer 块 (RSTB)HQ Image Reconstruction一个测试实例参考文献结语SwinIR 论文主要工作：将 Swin Transformer 在图像恢复中应用，降低参

扩散模型原理公式推导，以及如何将扩散模型应用于图像恢复任务，包括可运行实现代码

探究扩散模型中的前向扩散过程中的权重系数设计原因

引导PSNRSSIM其他PSNRimport numpy as npimport mathdef PSNR(x, y):MSE = np.mean((x/255. - y/255.)**2)if MSE<1.0e-10:return 100MAX = 1return 20*math.log10(MAX/math.sqrt(MSE))SSIMimport numpy as npfrom PIL

使用 MatLab 计算得到的指标比 Python 的高，具体原因没有研究，欢迎交流。

引导PlotNeuralNet 介绍1. 安装 Texlive2. 下载 PlotNeuralNet 工具包3. 运行自带测试代码4. 运行自定义测试代码5. 结语PlotNeuralNet 介绍PlotNeuralNet 是 github 上做神经网络可视化的一个工具，利用 python 将 .py 文件中定义的网络结构转换成 .tex 文件，最后通过 TeXworks 等工具可以将其转换为 .

扩散模型原理公式推导，以及如何将扩散模型应用于图像恢复任务，包括可运行实现代码