第一步PmrNet介绍PmrNet是一种基于U-Net架构改进的深度学习网络来自于论文《Practical Deep Raw Image Denoising on Mobile Devices》这个网络聚焦于在移动设备上实现高效的原始图像RAW去噪本文用来做手写字消除解决了传统方法在计算资源受限的移动端难以部署的问题。​​核心特点​​高效网络设计​​​​轻量级架构​​采用计算高效的U-Net变体减少参数量和计算量。​​注意力机制优化​​引入通道注意力等轻量化注意力模块提升去噪效果而不显著增加计算负担。​​量化与加速​​应用模型量化如8位整数量化和硬件感知的加速技术如ARM NEON指令集适配移动CPU/DSP。第二步PmrNet网络结构作者所设计的降噪模型就是一种简单但带残差连接的UNet架构其中UNet部分包含4个encode以及4个decoder。 为确保降噪模型可以更好的运行在手机端作者采用分离卷积以降低计算量常规卷积仅在网络的头和尾部应用。在encoder部分作者采用5×5卷积提升感受野并降低网络深度下采样模块则采用stride2的卷积在decoder部分作则会采用3×3分离卷积上采样模块则采用2×2反卷积。对应的encoder与decoder通过残差连接方式进行特征融合在融合之前先对encoder特征采用3×3分离卷积进行通道维度对齐。最后将所学习到的残差与输入图像相加即可得到降噪结果。第三步模型代码展示class PmrNet(nn.Module): def __init__(self, in_channels1): super(PmrNet, self).__init__() self.conv0 Conv2D(in_channelsin_channels, out_channels16, kernel_size3, padding1, stride1, is_seperableFalse, has_reluTrue) self.enc1 EncoderStage(in_channels16, out_channels64, num_blocks2) self.enc2 EncoderStage(in_channels64, out_channels128, num_blocks2) self.enc3 EncoderStage(in_channels128, out_channels256, num_blocks4) self.enc4 EncoderStage(in_channels256, out_channels512, num_blocks4) self.encdec Conv2D(in_channels512, out_channels64, kernel_size3, padding1, stride1, is_seperableTrue, has_reluTrue) self.dec1 DecoderStage(in_channels64, skip_in_channels256, out_channels64) self.dec2 DecoderStage(in_channels64, skip_in_channels128, out_channels32) self.dec3 DecoderStage(in_channels32, skip_in_channels64, out_channels32) self.dec4 DecoderStage(in_channels32, skip_in_channels16, out_channels16) self.out0 DecoderBlock(in_channels16, out_channels16, kernel_size3) self.out1 Conv2D(in_channels16, out_channelsin_channels, kernel_size3, stride1, padding1, is_seperableFalse, has_reluFalse) def forward(self, inp): conv0 self.conv0(inp) conv1 self.enc1(conv0) conv2 self.enc2(conv1) conv3 self.enc3(conv2) conv4 self.enc4(conv3) conv5 self.encdec(conv4) up3 self.dec1((conv5, conv3)) up2 self.dec2((up3, conv2)) up1 self.dec3((up2, conv1)) x self.dec4((up1, conv0)) x self.out0(x) x self.out1(x) pred inp x return pred第四步运行交互代码第五步整个工程的内容项目完整文件下载请见演示与介绍视频的简介处给出➷➷➷手写字魔法消除深度学习PmrNet神经网络实现图片修复(含训练代码、数据集和GUI交互界面)_哔哩哔哩_bilibili​