针对图像超分辨率、去噪与 JPEG 伪影去除等图像修复场景，旨在解决传统图像修复算法在高倍率放大、复杂纹理还原、真实噪声场景下细节丢失、边缘模糊、泛化能力不足的产品痛点，为图像内容生产、安防监控、移动端影像处理等行业提供端到端的轻量化图像修复解决方案。当前影像行业中，高清内容创作、老旧影像数字化修复、低画质监控画面增强等业务场景需求持续增长，传统修复方案存在模型部署成本高、多任务适配性差、复杂场景修复效果不佳的问题，本项目通过优化的 SwinIR 架构设计，实现了在控制模型参数量的前提下，大幅提升图像修复的细节还原能力与多任务适配性，可直接落地于移动端影像 APP、安防监控系统、影视内容修复工具等业务场景，为行业提供兼具性能与效率的图像修复技术支撑。
基于优化的 SwinIR 图像修复算法搭建了一套端到端的多任务图像修复系统，核心功能模块包含图像预处理模块、多任务模型推理模块、Tile 分块增强模块、结果后处理与导出模块以及可视化交互界面，系统支持图像超分辨率重建、图像去噪、JPEG 压缩伪影去除三类核心修复任务，用户可通过可视化界面完成图像上传、任务类型选择、修复参数调整、实时效果预览与结果导出全流程操作，同时支持批量图像处理与模型权重灵活切换，兼顾单张图像精细修复与批量业务场景处理需求，在保证修复效果的同时大幅降低了专业图像修复技术的使用门槛，为非专业用户提供了便捷高效的图像修复工具。
本人全程独立负责本次项目的全流程开发工作，涵盖图像修复算法的复现与优化、多任务模型训练与性能对比实验、系统前后端功能开发与测试全环节，技术栈采用 Python 3.9、PyTorch 1.12.1 深度学习框架搭配 CUDA 11.6 加速环境，前端基于 Gradio 搭建可视化交互界面，后端实现了模型推理、图像预处理与后处理、Tile 分块增强等核心功能，实现上通过优化残差 Swin Transformer 块的卷积结构提升了模型的细节还原能力，同时通过长跳跃连接设计缓解了深层网络的梯度消失问题，解决了大尺寸图像修复时的显存占用过高与边缘伪影难点，最终完成了支持超分辨率重建、图像去噪、JPEG 伪影去除三类任务的端到端图像修复系统，在多个标准公开数据集上均取得了优于传统 CNN 基准模型的修复效果。
评论