新手必看HVI-CIDNet训练与测试全攻略5分钟上手弱光图像增强模型【免费下载链接】HVI-CIDNet[CVPR2025 NTIRE2025] HVI: A New Color Space for Low-light Image Enhancement (Official Implementation)项目地址: https://gitcode.com/gh_mirrors/hv/HVI-CIDNetHVI-CIDNet是CVPR2025和NTIRE2025竞赛冠军解决方案提供了一种基于新型色彩空间的弱光图像增强技术。本指南将帮助新手快速掌握模型的安装配置、训练流程和测试方法即使没有深度学习经验也能轻松上手。 准备工作环境搭建与依赖安装1. 创建虚拟环境首先需要创建并激活Python虚拟环境推荐使用conda管理conda create --name CIDNet python3.7.0 conda activate CIDNet2. 克隆项目仓库使用以下命令获取完整代码库git clone https://gitcode.com/gh_mirrors/hv/HVI-CIDNet cd HVI-CIDNet3. 安装依赖包项目依赖已整理在requirements.txt中执行以下命令一键安装pip install -r requirements.txt主要依赖包括PyTorch 1.13.1深度学习框架OpenCV 4.7.0图像处理matplotlib 3.5.3结果可视化Gradio交互式演示界面 数据准备数据集与目录结构推荐数据集HVI-CIDNet支持多种弱光图像数据集新手建议从基础数据集开始LOLv1经典弱光增强数据集包含485对训练图像和15对测试图像LOLv2扩展版本包含真实场景和合成场景两个子集LOL-Blur包含运动模糊的弱光图像数据集目录结构下载数据集后需按以下结构存放datasets文件夹需手动创建├── datasets ├── LOLdataset ├── our485 # 训练集 ├── low # 弱光图像 ├── high # 正常光图像 ├── eval15 # 测试集 ├── low ├── high 模型架构HVI-CIDNet核心原理HVI-CIDNet创新性地提出了HVI色彩空间将传统RGB图像分解为亮度分量和色彩分量实现更精准的弱光增强。HVI-CIDNet处理流程图展示了从输入弱光图像到增强结果的完整流程包括HVI色彩空间转换和增强网络处理模型主要由两部分组成HVI色彩空间转换将RGB图像分解为亮度图Intensity Map和色彩图HV Color Map增强网络采用轻量级交叉注意力模块LCA分别处理亮度和色彩信息保留细节的同时避免过度增强Lighten Cross-Attention (LCA)模块结构通过双分支设计分别处理亮度和色彩特征实现高效的特征融合 快速测试5分钟体验弱光增强效果方法一Gradio交互式演示推荐新手运行以下命令启动可视化界面python app.py程序会自动打开浏览器访问http://127.0.0.1:7862即可上传弱光图像并实时查看增强效果。若没有GPU可添加--cpu参数使用CPU推理。方法二命令行批量测试下载预训练权重从项目提供的百度云盘或OneDrive链接下载权重文件放入weights文件夹执行测试命令# 测试LOLv1数据集 python eval.py --lol # 测试自定义图像 python eval.py --unpaired --custome --custome_path ./your/image/path --unpaired_weights ./weights/LOLv2_syn/w_perc.pth增强结果会保存在./output文件夹中。效果对比HVI-CIDNet在多个数据集上表现优异以下是与其他方法的对比结果LOL数据集增强效果对比展示了HVI-CIDNet与其他主流方法在弱光图像增强任务上的视觉效果差异红框区域突出显示细节恢复能力️ 模型训练从零开始训练自己的增强模型配置训练参数所有训练配置都集中在data/options.py文件中关键参数包括epoch训练轮数建议100-200batch_size批次大小根据GPU显存调整lr学习率默认0.0001random_gamma是否启用随机gamma增强建议开启以提高泛化能力开始训练执行以下命令启动训练# 训练LOLv1数据集 python train.py --dataset lol_v1 # 训练LOLv2合成数据集 python train.py --dataset lolv2_syn --start_warmup True训练过程中会自动保存权重文件保存在./weights/train目录按epoch编号命名训练日志包含损失值和验证集指标保存在./results/training可视化结果每个epoch的测试图像对比便于监控训练进度 性能评估量化指标与可视化分析评估关键指标HVI-CIDNet提供了完整的评估脚本支持多种图像质量指标# 评估LOLv1数据集上的PSNR/SSIM/LPIPS python measure.py --lol # 评估非配对数据集上的NIQE/BRISQUE python measure_niqe_bris.py --DICM模型效率分析运行以下命令获取模型参数量、计算量和推理速度python net_test.pyHVI-CIDNet在保持高性能的同时具有轻量化特性适合部署到资源受限设备。❓ 常见问题解决1. 训练时出现显存不足减小batch_size最小可设为1降低输入图像分辨率修改options.py中的patch_size使用CPU训练添加--cpu参数但训练速度会显著降低2. 增强结果过亮或过暗调整测试时的alpha参数亮度缩放因子python eval.py --unpaired --DICM --alpha 0.8 --gamma 0.93. 找不到数据集路径确保数据集目录结构与data/options.py中定义的data_root一致或通过命令行参数指定数据集路径。 总结与进阶通过本指南你已经掌握了HVI-CIDNet的基本使用方法。如需进一步提升模型性能可以尝试在更大数据集上训练如FiveK或SICE调整options.py中的超参数尝试不同的损失函数组合在loss/losses.py中定义HVI-CIDNet作为CVPR2025收录的创新方法为弱光图像增强提供了新的思路。无论是学术研究还是实际应用都值得深入探索其潜力。祝你在弱光图像增强的旅程中取得成功✨【免费下载链接】HVI-CIDNet[CVPR2025 NTIRE2025] HVI: A New Color Space for Low-light Image Enhancement (Official Implementation)项目地址: https://gitcode.com/gh_mirrors/hv/HVI-CIDNet创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
