關於訓練與測試在我的數據集上

[alvinlin1271320]

您好，看完您的LED後我覺得非常的有興趣，想請問一下我手上有自己拍的一些數據集，我在晚上拍出來的raw影像。
我的這些影像是RGGB的並且像素值是在[0:1023]，如果是這樣的話有辦法使用您的LED做訓練與測試嗎?
如果可以的話我該從哪裡開始著手修改?

謝謝您!

[Srameo]

您好！感谢您对LED的关注！如果您想将LED使用到您自己的设备上，总共包含5个步骤：1) 数据采集; 2) 数据预处理; 3) Pre-train (optional); 4) Fine-tune; 5) 测试。

• 1) 数据采集
  • LQ (低质量，含噪) 数据采集
  • GT (高质量，无噪) 数据采集
  • 关于 Additional Dgain
  • 注意事项
• 2) 数据预处理
• 3) Pre-train (optional)
• 4) Fine-tune
• 5) 测试
• 免责声明

1) 数据采集

由于 LED 在预训练阶段无需使用真实数据，因此此章节采集的数据只用来进行 Fine-tune 或 测试

LQ (低质量，含噪) 数据采集

对于单个场景，使用短曝光时间 ($EXP_S$) 拍摄即可，但需注意需要记录短曝光时的ISO ($ISO_S$)。

若您想拍摄数据集用于 Fine-tune，则需要ISO差距较大的数据对，例如对于两个不同的场景，二者ISO设置分别为 ($ISO_{S1}$, $ISO_{S2}$, $ISO_{S1} < ISO_{S2}$)。
则需 $ISO_{S1} < 50$ 且 $ISO_{S2} > 5000$。

GT (高质量，无噪) 数据采集

对于每个场景，若您使用的是单反相机（“好Sensor”），则只需将ISO调至最低档 (记录为 $ISO_L$)，曝光时间 (记录为 $EXP_L$)调高即可。

若您使用的是手机或其他的监控设备（“差Sensor”），则在调低ISO和调高曝光时间的基础上仍需进行多帧average降噪）（5～10帧）。

关于 Additional Dgain

由于训练时需要将LQ的信号强度调整为与GT一致，则对于LQ图需要乘以 Additional Dgain。其计算方法为

$$ Dgain = \frac{ISO_L\times EXP_L}{ISO_S\times EXP_S} $$

注意事项

1. 拍摄时需要使用三脚架，并且远程控制拍摄设备，防止出现未对齐的现象
2. 拍摄LQ数据时，可以拍摄burst数据（相当于提供更多噪声采样）。但是需要注意不要因为连拍导致过热，影响噪声分布
3. LQ 图像的 ISO 限制是 flexible 的，可以适当调节，但仍需保证噪声方差差距很大。

2) 数据预处理

具体可以参考 scripts/data_preparation/bayer_to_npy.py 中的代码

1. Pack Bayer，请参考 led/data/raw_utils.py 中的代码。将您的数据变为四通道（RGBG）的数据
2. 获取您 Sensor 的白电平（white point）与黑电平（black level），在训练阶段需要将数据通过 white point 与 black level 进行归一化。

3) Pre-train (optional)

由于 LED 的模型是和 Additional Dgain 强耦合的，所以若您的数据与LED公开的模型 dgain 范围一致，则您可跳过此步骤。

反之，若您的数据 dgain 范围不一致 (例如为 [a, b]), 则您需要在 config 中修改 ratio_range 参数，例如 options/ELD/ELD_NikonD850_CVPR20_ELD_Setting.yaml config 中的

datasets:
  train:
    ratio_range: [1, 200]

4) Fine-tune

Fine-tune 阶段需要修改数据集的config：

1. 修改 txt file (template)，每行代表一对配对数据，并且为 dataroot 的相对路径

   LQ_scene01_sample01 GT_scene01
   LQ_scene01_sample02 GT_scene01
   LQ_scene02_sample01 GT_scene02
   ...

   完成 1. 后可参考 Readme 进行操作，跳过 2., 3.

2. 修改 finetune config (template)
3. 运行 python led/train.py -opt [OPT]

5) 测试

测试阶段参考 Readme 即可，当然需要注意应增加 --led 设置。

免责声明

由于 Few-shot 的限制，fine-tune 过程中会很吃 few-shot 数据质量。并且对于不同 sensor 来讲，其所需 fine-tune 策略也可能不同，需要多调一调（很可能过拟合）。

---

If LED is helpful to your projects, please help star this repo. Thanks!

欢迎随时交流！

[alvinlin1271320]

Hi @Srameo :
非常感謝您詳細的回覆! 我已經按Star了 :D

我這邊有幾個問題想跟您確認一下:

1. 您在第三點Pre-train (optional)提到的ratio_range是指拍出來影像的像素值嗎? 還是指fine-tune影像的ISO最小到最大的range?
2. 我的raw影像是10bit的，依照您的經驗，我可以直接用您的權重做fine-tune嗎? 還是我需要修改虛擬相機sensor的noise參數讓他們用10bit的格式先做pre-train(我不確定是否可以這樣做，如果可以，可以請您跟我說需要往哪個方向做修改嗎)。

Thanks!

[Srameo]

Q1: 有关 ratio_range
A1: ratio_range 是指您给输入数据额外增加的 additional dgain，可以参考"关于 Additional Dgain"，或者 SID 中的相关操作。

Q2: 关于使用 10bit 数据进行finetune
A2: 由于我们没有尝试使用 10 bit 数据进行finetune，因此在这里并不能下定结论。但是从我们的经验来讲，您可以尝试进行 finetune，因为我们在 pre-train 阶段所有的数据都是进行了归一化的，只有量化噪声是按照14bit（SonyA7S2的比特深度）添加的。此外仍需考虑的是单反相机属于“好Sensor”，故噪声强度弱；而手机传感器属于“差Sensor”，故噪声强度强。而我们的 pre-train 模型是在“好Sensor”的参数空间中进行训练的，因此若您想 pre-train 的话，如果方便也可以更改下噪声参数空间（详见 options/base/noise_g/noise_g_virtual.yaml）。

[alvinlin1271320]

好的，謝謝您! 😀

[Jingyilang]

Q1: 有关 ratio_range A1: ratio_range 是指您给输入数据额外增加的 additional dgain，可以参考"关于 Additional Dgain"，或者 SID 中的相关操作。

Q2: 关于使用 10bit 数据进行finetune A2: 由于我们没有尝试使用 10 bit 数据进行finetune，因此在这里并不能下定结论。但是从我们的经验来讲，您可以尝试进行 finetune，因为我们在 pre-train 阶段所有的数据都是进行了归一化的，只有量化噪声是按照14bit（SonyA7S2的比特深度）添加的。此外仍需考虑的是单反相机属于“好Sensor”，故噪声强度弱；而手机传感器属于“差Sensor”，故噪声强度强。而我们的 pre-train 模型是在“好Sensor”的参数空间中进行训练的，因此若您想 pre-train 的话，如果方便也可以更改下噪声参数空间（详见 options/base/noise_g/noise_g_virtual.yaml）。

请教一下，只有量化噪声是按照14bit（SonyA7S2的比特深度）添加的 是指？如果自己采集的数据是10bit的，那具体应该怎么调整 noise_g_virtual.yaml 中量化噪声部分的参数呢？