本赛题要求建立模型消除屏摄图片的摩尔纹噪声。数据集含1000个训练样本及A、B榜各200个测试样本，为image-to-image任务。基线采用WDNet模型，结合DenseNet与空洞卷积，新增随机旋转、裁剪等数据增强，优化损失权重与学习率衰减策略，最终B榜得分63.013。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
赛题介绍
选手需要建立模型，对比赛给定的带有摩尔纹的图片进行处理，消除屏摄产生的摩尔纹噪声，还原图片原本的样子，并提交模型输出的结果图片。
数据集简介
本次比赛的数据集所有的图像数据均由真实场景采集得到，再通过技术手段进行相应处理，生成可用的脱敏数据集。该任务为image-to-image的形式，因此源数据和GT数据均以图片的形式来提供。本次比赛不限制使用额外的训练数据来优化模型。测试数据集的GT不做公开。
数据集构成
|- root
|- images
|- gts
本次比赛最新发布的数据集共包含训练集、A榜测试集、B榜测试集三个部分，其中训练集共1000个样本，A榜测试集共200个样本，B榜测试集共200个样本； images 为带摩尔纹的源图像数据，gts 为无摩尔纹的真值数据（仅有训练集数据提供gts ，A榜测试集、B榜测试集数据均不提供gts）； images 与 gts 中的图片根据图片名称一一对应。
以下图片为数据中的样本，左侧图片为原图，右侧图片为已经去除摩尔纹，同时亮度也有所调整的GT图(GroundTruth)。
Baseline模型WDNet介绍
整体结构
WDNet是ECCV 2020提出一种去除摩尔纹的模型。该模型是一种基于小波与双分支的神经网络，结构如下：
首先RGB图片需要通过WaveletTransform模块进行转换，得到一个48通道的数据，通过WDNet网络同样得到一个通道数与尺寸不变的特征图。最后在一次通过WaveletTransform使用转置卷积将图片还原得到最终预测结果。
这里WaveletTransform的权重是固定不变不需要训练的。
DenseNet
DenseNet中使用旁路连接和特征复用的方式缓解了梯度消失的问题，同时减少了网络参数。DenseNet已经被用于去雾和超分辨率网络。
如上图所示，该模型中的dense分支新增了一个方向感知模块（DPM），用于找到摩尔纹的方向。DPM的输出和每一个dense的输出相乘，然后乘以一个因子β然后与输入相加。该设计可以有效的定位摩尔纹的位置。
Dilation
下采样和池化可以增大感受野，但同时也丢失了一些细节。空洞卷积可以解决这个问题。在每一个dilation分支里，都有两层，有一个3x3的空洞卷积和3x3的普通卷积组成。
思路步骤
基于WDNet模型实现的baseline，对摩尔纹图像进行观察，增加了随机度数旋转和随机裁剪的数据增强策略和对loss权值的修改，以及修改学习率衰减的策略。
代码组织结构
demoire-baseline/
├── train.py
└── dataset.py
└── transforms.py
└── vgg.py
└── losses.py
└── model.py
├── predict.py
└── utils.py
└── train_result/model/epoch_1200/model.pdparams
└── model.py
数据增强策略
在RandomHorizontalFlip、Resize、Normalize的基础上,
因摩尔纹是以一定曲线的状态存在，所以对图像进行0-90度的随机旋转(Rotate);
直接将图像resize成一个较小图片，可能会损失图像上摩尔纹的信息，所以先裁取大小为(512,512)的图像，再resize成(512,512)大小(Crop)。
其中，根据https://aistudio.baidu.com/paddle/forum/topic/show/993042 可知，尺寸不变的resize不会与原图像不同。 
调参优化策略
使用baseline的原loss函数形式，preceptual loss的权值的改变对结果有增益，将preceptual loss的权值由1改为1.1。
学习率衰减采用余弦退火(CosineAnnealingDecay),在训练时梯度下降算法可能陷入局部最小值，此时可以通过突然提高学习率，来“跳出”局部最小值并找到通向全局最小值的路径。
3）较小的batch_size和较多的epoch对结果有增益,其中batch_size = 4，epoch = 1200。
4）优化器选择AdamW。
下一步优化方向
在数据增强上加上仿射变换
在模型修改方面加上MBCNN的结果进行融合
训练
准备数据集
%cd /home/aistudio/data/ !unzip /home/aistudio/data/data120844/moire_train_dataset.zip!unzip /home/aistudio/data/data120844/moire_testA_dataset.zip
解压数据集之后，数据集目录如下
moire_train_dataset/ ├── gts └── images
启动训练命令
%cd /home/aistudio/demoire-baseline/ !python train.py --dataset_root ../data/moire_train_dataset/ --max_epochs 1200 --batch_size 4 --sample_interval 100
在训练过程中，可以设置sample_interval的值，来获取中间模型的预测推理效果图。比如100，代表每迭代100次，则使用模型进行一次推理预测，并生成一张对比图。
epoch 8: 
epoch 12:
在上面的图片中，左侧的图片为数据集中的原始图片，右边的图片为GT图，中间的图片为模型推理预测输出。可以看出随着模型训练迭代次数的增加，预测图越来越与GT图相似。
# 预测## 启动预测脚本
!unzip /home/aistudio/moire_testB_dataset.zip -d /home/aistudio/data/
%cd /home/aistudio/demoire-baseline/ !python predict.py --dataset_root ../data/moire_testB_dataset/ --pretrained train_result/model/epoch_1200/model.pdparams
运行结束后，结果文件保存在output/pre目录下。进入pre目录创建readme.txt文件。输入以下内容：
训练框架：PaddlePaddle 代码运行环境：V100 是否使用GPU：是 单张图片耗时/s：0.2 模型大小：15MB 其他说明：该算法参考WDNET网络。
然后压缩所有文件。
%cd /home/aistudio/demoire-baseline/output/pre/ !zip result.zip *.jpg *.txt
最后下载result.zip文件，提交即可。最终B榜得分63.013。
