企业官网建设流程全解析

简介：这是一套基于PyTorch框架的RDN图像超分辨率复现项目，代码注释丰富、模块划分清楚，适合正在学习超分重建或准备开展对比实验的读者。项目内置了2倍、3倍、4倍三种放大倍率下最优SSIM与PSNR的模型权重，可直接用于推理和效果验证。资源压缩包共52个文件，主要包含9个Python源码文件，这些脚本负责数据转换、模型搭建、训练测试、指标绘图等任务；另外还有4个预训练权重文件、若干测试样例图片和配置文件，整体大小约327MB。工程完整覆盖了从H5数据集制作到DataLoader封装、模型训练、单张图片测试以及基准数据集评估的全流程，并附带Loss、PSNR、SSIM随训练轮次变化的曲线绘制工具，便于直观监控训练状态，也方便在此基础上进行模块替换或算法调优。目前已有311人学习使用，适合需要快速复现RDN效果、深入理解残差密集块结构或进行超分算法横向对比的深度学习爱好者。

1. 图像超分辨率RDN模型，为什么先复现而不是先魔改

做图像超分辨率研究的人，最常遇到的问题不是网络结构不懂，而是“论文里的数字怎么都复现不出来”。RDN（Residual Dense Network，残差密集网络）作为2018年CVPR的经典工作，在PSNR和SSIM两个指标上把当时基于深度学习的超分结果显著拉高，之后大量模型都以它为基线。但它的代码实现比SRResNet复杂一个档次：密集连接带来通道数爆炸，局部残差与全局特征融合又让维度推导容易出错。你拿到的这份Pytorch复现代码，把RDB模块、特征融合和上采样拆成清晰组件，注释密集到能当论文注释读，更重要的是，权重文件直接给出了x2、x3、x4三个倍率下SSIM与PSNR最优的模型，省去了自己从头训练几天的等待。适合三类人：刚入门SR想跑通第一个高质量模型的开发者、需要在效果基线上做改进的研究者、以及要把超分模型集成到产品中但不想重新造轮子的工程团队。下面从结构到推理，把这条路完整走一遍。

2. 用Pytorch拆解RDN的核心结构：RDB块、残差缩放与特征融合

RDN的思想可以用一句话概括：用残差连接保证深网络可训练，用密集连接让每一层都能看到之前所有层的特征，再用1x1卷积做局部和全局的特征压缩。理解RDN，关键是理解RDB（Residual Dense Block）内部的数据流动。

2.1.1 RDB内部为什么先拼接再降维

一个RDB包含8个卷积层，每层输出growth_rate个特征图（常见设为64），每层输入是“当前RDB的初始输入 + 前面所有层的输出”在通道维度拼接后的结果。第0层输入是64通道，第1层输入就是128通道，到第8层时已经是584通道。如果不加约束，16个RDB堆下去显存直接爆炸。所以每个RDB末尾放一个1x1卷积，把增长出来的通道压缩回初始通道数，再和RDB输入做残差相加。

import torch import torch.nn as nn class RDB(nn.Module): """Residual Dense Block，growth_rate控制每层新增通道数""" def __init__(self, in_ch, growth_rate=64, num_layers=8): super().__init__() self.convs = nn.ModuleList() current_ch = in_ch for i in range(num_layers): # 每一层的输入通道数是当前累计通道数 self.convs.append(nn.Conv2d( current_ch, growth_rate, kernel_size=3, padding=1, bias=True )) current_ch += growth_rate # 局部特征融合：将全部8层输出拼回 in_ch 维度 self.lff = nn.Conv2d(current_ch, in_ch, kernel_size=1) def forward(self, x): # x 同时参与密集连接和局部残差 features = [x] out = x for conv in self.convs: out = conv(out) features.append(out) # 经典RDN实现：拼接后做ReLU out = torch.cat(features, dim=1) out = self.lff(out) # 局部残差学习：保留RDB输入中的低频信息 return out + x

这段代码的关键点有两个。第一，每层卷积后没有立刻接ReLU，而是先拼接完再做激活，这是RDN原论文的写法，也直接影响训练收敛速度；我在复现实验中发现先激活后拼接也能收敛，但PSNR在同样迭代次数下低0.1dB左右。第二，features列表里保存了初始输入和每一层输出，这是密集连接的具体实现，不能用单个变量覆盖更新，否则梯度回传路径就被截断了。growth_rate在这个结构里同时决定了计算量和模型容量，64是原论文标准配置，显存紧张时可以降到32。

2.1.2 全局特征融合与上采样前的维度推导

16个RDB输出后，把每个RDB的输出在通道维度concat，得到 16 x 64 = 1024 通道，这个全局拼接结果先过一个1x1卷积压缩回64，再过3x3卷积提取跨块特征。最后上采样用PixelShuffle实现。这里有一个绝大多数复现会踩的坑：x2、x3、x4的上采样结构写法不同。x2可以直接PixelShuffle，但x3需要先转成9通道再shuffle成3通道；更稳妥的做法是先上采样到目标尺寸再卷几层，但那样计算量更大。原论文用的是PixelShuffle前置卷积，所以低分辨率特征先通过卷积升维，再重排。

import torch.nn.functional as F class RDN(nn.Module): """完整的RDN超分网络，scale支持2/3/4""" def __init__(self, scale=2, num_rdb=16, rdb_layers=8, growth_rate=64, in_ch=3): super().__init__() self.scale = scale # 浅层特征提取：一个3x3卷积，不改变空间尺寸 self.sfe1 = nn.Conv2d(in_ch, 64, 3, padding=1) self.sfe2 = nn.Conv2d(64, 64, 3, padding=1) # 16个RDB堆叠 self.rdbs = nn.ModuleList([ RDB(64, growth_rate, rdb_layers) for _ in range(num_rdb) ]) # 全局特征融合：1024 -> 64 -> 64 self.gff1 = nn.Conv2d(num_rdb * 64, 64, 1) self.gff2 = nn.Conv2d(64, 64, 3, padding=1) # 上采样卷积，输出通道 = 3 * scale^2 self.upscale = nn.Conv2d(64, in_ch * scale * scale, 3, padding=1) self.pixel_shuffle = nn.PixelShuffle(scale) def forward(self, x): # 浅层特征 f0 = F.relu(self.sfe1(x)) f0 = self.sfe2(f0) # 全局残差分支：16个RDB输出拼接 rdb_outs = [] f = f0 for rdb in self.rdbs: f = rdb(f) rdb_outs.append(f) # 全局特征融合 + 残差相加 out = torch.cat(rdb_outs, dim=1) out = F.relu(self.gff1(out)) out = self.gff2(out) out = out + f0 # 上采样到目标分辨率 out = self.upscale(out) out = self.pixel_shuffle(out) return out

上采样模块是理解RDN输出的关键。输入是 B x 64 x H x W，经过upscale变成 B x (3 x scale²) x H x W，再经过PixelShuffle(scale)重排成 B x 3 x (H x scale) x (W x scale)。以scale=4为例，64维特征图通过卷积扩展成48通道（3 x 16），再按周期重排。当weight目录里的pth文件报shape mismatch时，绝大多数问题就出在这里：你加载的是x2权重，却用scale=4实例化了模型。权重文件与模型scale参数必须严格对应，这也是为什么这份复现代码把x2、x3、x4权重分开存放，而不是共用一个模型文件。

3. 训练与指标对齐：从DIV2K预处理到SSIM和PSNR的正确算法

有了模型结构，下一步是训练。很多人复现SR模型失败，根本不是网络写错，而是数据预处理和指标计算的细节和论文不一致。RDN论文在DIV2K上训练、在Set5等基准集上测试，SSIM和PSNR这两个指标看似简单，实际计算方式有严格讲究。

3.1.1 DIV2K数据集与随机裁切的参数选择

训练时从高分辨率原图上随机裁出 192x192 的HR块，下采样scale倍得到对应LR块。注意这里不能用PIL的resize默认双线性，论文用的Matlab风格bicubic下采样，Pytorch里对应F.interpolate(x, scale_factor=1.0/scale, mode='bicubic', align_corners=False)。测试集的指标也是在bicubic降采样得到的LR上测试。

Pytorch数据管线里，我一般用HD5文件预存裁剪好的图像对，避免训练时反复做bicubic计算。裁切参数是：每个epoch每个HR图像随机裁20个位置，再做随机旋转和翻转增强，总共8种几何变换。批大小设为16，模型输入LR的尺寸是48x48，对应HR是192x192。

# 训练时LR下采样与数据增强的正确顺序 import random import torch import torch.nn.functional as F def get_patch(lr, hr, patch_size=48, scale=4): """从LR/HR对中随机裁剪对齐区域""" lr_h, lr_w = lr.shape[-2:] # HR patch尺寸对应LR patch尺寸乘以scale lr_patch = patch_size hr_patch = patch_size * scale lr_x = random.randint(0, lr_w - lr_patch) lr_y = random.randint(0, lr_h - lr_patch) lr_p = lr[:, :, lr_y:lr_y + lr_patch, lr_x:lr_x + lr_patch] # HR裁剪位置是LR位置乘以scale hr_p = hr[:, :, lr_y*scale: (lr_y + lr_patch)*scale, lr_x*scale: (lr_x + lr_patch)*scale] return lr_p, hr_p # 下采样：HR -> LR，注意align_corners=False lr = F.interpolate(hr, scale_factor=1.0/scale, mode='bicubic', align_corners=False)

上面代码中是训练过程每次迭代裁切，patch尺寸48是小配置，跑得快；想对齐论文报告指标至少用64。HR裁切位置必须小心计算，不能直接在HR上随机裁再除以scale，因为除法带来的取整会导致LR和HR对不齐，损失函数计算出来的是错误像素差值。我在训练日志里见过这种情况：loss在降，但验证集PSNR几乎不变，就是因为数据对的对应关系坏了。

3.1.2 L1损失为什么比L2更适配RDN训练

RDN原论文训练时用L1损失，不是L2。L2（MSE）会让模型偏向均值回归，生成模糊结果；L1梯度恒定，对小像素差更不敏感，训练早期收敛慢但后期PSNR更高。这个结论在EDSR和RCAN等后续工作里也被反复验证。具体实现就是nn.L1Loss()，不需要额外加权。优化器参数参考原论文实践：

PyTorch 2.x环境里的torch.compile可以加速训练约30%，RDN的RDB块堆叠逻辑用compile没有op算子兼容问题，我测试过x2模型训练时直接model = torch.compile(model)就能用。

3.1.3 SSIM和PSNR计算：在Y通道算才与论文可比

这是复现SR模型最隐蔽的坑。论文报告PSNR、SSIM，不是在RGB空间直接算，而是把SR和HR都转换到YCbCr色彩空间，只取Y通道（亮度通道）计算。因为人眼对亮度敏感，RGB三通道误差会被平均掉，导致数字虚高0.3-0.5dB。

import numpy as np import cv2 from skimage.metrics import peak_signal_noise_ratio, structural_similarity def y_channel_psnr_ssim(sr, hr, scale, border=0): """ sr/hr: RGB图片数组, 值域[0, 255], uint8或float scale: 超分辨率倍率，边界像素要去掉 """ # 转换到YCbCr, 只保留Y通道 sr_y = cv2.cvtColor(sr.astype(np.uint8), cv2.COLOR_RGB2YCrCb)[:, :, 0] hr_y = cv2.cvtColor(hr.astype(np.uint8), cv2.COLOR_RGB2YCrCb)[:, :, 0] # 去掉边界：放大过程在图像边缘会产生伪影 if border > 0: sr_y = sr_y[border:-border, border:-border] hr_y = hr_y[border:-border, border:-border] # psnr: 值域255, 计算结果单位dB psnr_val = peak_signal_noise_ratio(hr_y, sr_y, data_range=255) # ssim: 窗口默认7x7, win_size必须小于图像尺寸 ssim_val = structural_similarity(hr_y, sr_y, data_range=255) return psnr_val, ssim_val

注意上面SSIM计算时data_range=255这个参数，skimage在1.6版本之后如果不显式传data_range会报错；更关键的是它是值域上限，输入若是0-1范围的float，这里要改成1.0。另外Win_size默认是7，当图像尺寸小于7时报错；测试Set5这类小尺寸图没问题，但自己切了细小patch做验证时报错是常事。表格里记录的指标值，最好在验证脚本里写死border=scale，这是原论文一致采用的边界处理方式。

4. 加载x2、x3、x4权重文件：推理代码与输出尺寸核对

模型结构和训练流程都清楚后，最重要的环节就是把这套复现权重用起来。这个项目里三个模型的pth文件分别对应不同scale，代码里按scale分支加载即可，不需要写三个不同的model类。

4.1.1 用torch.load加载pth前的预处理

import torch import torchvision.transforms.functional as TF from PIL import Image def build_model(scale, weights_path, device='cuda'): """根据倍率创建RDN模型并加载权重""" # 倍率参数同时决定上采样结构 model = RDN(scale=scale).to(device) # map_location让CPU也能加载GPU训练的权重 state_dict = torch.load( weights_path, map_location='cpu', weights_only=True ) # 处理DataParallel前缀: module.xxx -> xxx new_state_dict = {} for k, v in state_dict.items(): if k.startswith('module.'): k = k[7:] new_state_dict[k] = v state_dict = new_state_dict # strict=True保证权重键完全匹配，不匹配时报错 missing, unexpected = model.load_state_dict(state_dict, strict=True) if missing or unexpected: print("缺少键:", missing) print("多余键:", unexpected) model.eval() return model

PyTorch 1.6以后保存的权重用torch.save(model.state_dict(), ...)，没有额外包装；但老工程经常用torch.save({'model': model.state_dict()})保存字典。加载时先打印keys，确认顶层是state_dict还是嵌套字典。还有一点，PyTorch 2.0以上版本加载高版本保存的权重，因为weights_only=True缓解了反序列化安全隐患，但旧权重里如果带自定义类，需要设成weights_only=False；这份复现项目里的权重文件如果报类似错误，就从这里排查。

4.1.2 推理流程与输出尺寸核对表

from torchvision.transforms import ToTensor, ToPILImage def inference_image(model, lr_image: Image.Image, scale: int) -> Image.Image: """ lr_image是bicubic下采样后的低分辨率图。 返回超分后的PIL Image。 """ # 输入转tensor: [0,1]范围, [C,H,W] lr_tensor = ToTensor()(lr_image).unsqueeze(0).to(device) # 模型输入尺寸必须是scale的整数倍，否则像素shuffle无法整除 h, w = lr_tensor.shape[-2:] pad_h = (scale - h % scale) % scale pad_w = (scale - w % scale) % scale if pad_h or pad_w: # 这种Pad不会引入边界伪影，推理后裁掉 lr_tensor = F.pad(lr_tensor, (0, pad_w, 0, pad_h), mode='reflect') print(f"padding: +{pad_h} +{pad_w}") with torch.no_grad(): sr_tensor = model(lr_tensor) # 裁掉padding部分 if pad_h or pad_w: sr_tensor = sr_tensor[:, :, :h*scale, :w*scale] # clamp到[0,1]再转PIL sr_tensor = sr_tensor.clamp(0, 1) sr_image = ToPILImage()(sr_tensor.squeeze(0).cpu()) return sr_image

输入尺寸必须能被scale整除，这是PixelShuffle的性质决定的，不是可选项。推理阶段处理任意尺寸图片时容易出现这个报错：RuntimeError: shape '[1, 3, 128, 128]' is invalid for input of size 49200。输入320x240除以3余数不为0，模型内部就会算错，所以在forward前补边到整数倍，推理后裁回原始尺寸。

显存占用方面，推理一张1080P图像时：x2模型约需要1.2GB显存，x3约1.8GB，x4约2.5GB（输入小图显存占用更低）。没有GPU时CPU推理也是可行的，x4模型CPU推理一张512x512输入大致需要8-15秒，取决于是不是有AVX指令集。

5. 验证权重质量的三个技巧：边界裁剪、自集成与指标复现

拿到权重文件后，不能只看推理图是否清晰，需要量化验证它是否真的达到“最优SSIM和PSNR”。第一步，把测试图像转换成YCbCr后在Y通道计算指标，并去掉scale像素宽度的边界。这和论文报告方式一致，我实测边界裁剪通常会让PSNR高0.15dB左右，SSIM也会高0.002-0.005，不裁剪对比论文结果永远差一点。第二步，用自集成（self-ensemble）把8个方向的推理结果平均。方法是将输入分别旋转0、90、180、270度，各自再水平翻转，共8张图过模型，再把结果变换回原方向取均值。这个做法能稳定提升0.1-0.3dB，代价是推理时间变8倍。

def self_ensemble_inference(model, lr_tensor, scale): """8向推理求平均: 旋转/翻转不会改变模型输出尺寸""" results = [] for i in range(4): # 旋转 i * 90 度 rotated = torch.rot90(lr_tensor, i, dims=[-2, -1]) # 正向推理 with torch.no_grad(): sr = model(rotated) # 旋转回去 sr = torch.rot90(sr, -i, dims=[-2, -1]) results.append(sr) # 水平翻转后再做同样流程 flipped = torch.flip(rotated, dims=[-1]) with torch.no_grad(): sr = model(flipped) sr = torch.flip(sr, dims=[-1]) sr = torch.rot90(sr, -i, dims=[-2, -1]) results.append(sr) # 8张结果取均值 sr_avg = torch.stack(results, dim=0).mean(0) return sr_avg.clamp(0, 1)

注意这里不能保存8张图片在内存里再合成，推理输出已经占显存，8张并排会导致显存溢出；直接用列表累计张量再stack，操作结束立即释放。当验证集是Set5这样的小图集（每张不到512x512）时，8向推理总共几十秒，完全可行。如果只是在训练过程中做validation，不需要8向推理，会严重拖慢评估周期。

第三步，快速判断训练质量：在Set5上用x4模型推理，如果PSNR在31.5dB以上，说明训练正常；31dB以下先检查数据预处理里的bicubic下采样是不是和模型测试时的输入分布一致，再检查是否在Y通道上评估。x2模型在Set5上通常能达到38dB以上，但这个指标在权重文件里已经是训练完成后的最优值——也就是模型在验证集上SSIM和PSNR最高那个checkpoint。所以在自己的测试集上，这个指标会略低于README里报告的数字，因为原权重是在DIV2K上训练的，换数据集掉0.2-0.5dB都很正常，不代表权重有问题。

本文还有配套的精品资源，点击获取