为什么不能复现UNet的结果？ about uwgan_uie

[infrontofme]

您使用提供的数据集利用UWGAN合成fake water images了吗？再用您合成的fake water images和air images组成训练对来训练UNet

[DataXujing]

OK,非常感谢

[DataXujing]

大佬，在训练UWGAN时需要type1和type2分别训练模型，还是混在一起训练有一个模型就够了？

[infrontofme]

需要分不同的水质，分别训练模型

[DataXujing]

好的，明白了，非常感谢

[DataXujing]

后边的UNet也是分水质训练的对吗？

[infrontofme]

分水质训练，也可以尝试几种水质混合在一起训练

[18804601171]

@DataXujing 请问，训练需要做哪些修改嘛

[DataXujing]

自己调整一些参数比如，训练的epoch, lr, 优化器及训练数据的路径，就可以训练了

[shaxiaozi123456]

你好，请问我用uwgan生成了type1 类型的水下图像，也就是偏绿的图像，然后组成数据集训练u-net，参数设置和文中一样，损失函数用了l1_l2损失，学习率没有用余弦改变那个，就是用的1e-4，处理图像那部分is-aug我没用，只是shuffle了，是不是这部分是关键呀，测试集用的realc，test_one_image那个程序出来的图像感觉就像上了一层蓝，test出来的图像更差，根本就看不见，还有棋盘效应。这个问题出现在哪里呢

[infrontofme]

@shaxiaozi123456 和你说的因素关系应该不大，realc是公开数据集包含的场景复杂，各类水质都有，你是所有测试图像都这样的结果？还是有几张比较差？
我们跑的结果总体还可以，对于一些严重色偏或者雾状效果太重，表现也有待改进。

至于棋盘效应，有可能是损失函数引起的，你可以参考论文中关于loss function分析的部分。

近期，我们会把项目的预训练权重文件和合成的数据集整理后进行开源~

[shaxiaozi123456]

我这里所有的图像表现都很差，差到不如不增强，甚至我用训练集的图片用来测试，效果还是差。

[DataXujing]

我分水质训练，参数和paper中设置的完全一样，出来的结果也很差。不知道是不是哪里出了问题。

[shaxiaozi123456]

我分水质训练，参数和paper中设置的完全一样，出来的结果也很差。不知道是不是哪里出了问题。

我也是哎，出来的图片根本看不清

[infrontofme]

@shaxiaozi123456 如果用训练集的图片用来测试，效果还很差，那应该是没有训练好，你可以把训练的loss曲线发出来一下，把质量差的图片结果贴上来一下；或者你仔细检查哪个步骤出了问题。

[shaxiaozi123456]

[shaxiaozi123456]

在test_one_image中测试的realc的数据和训练集的数据，realc的数据都是这种偏蓝色，训练集数据恢复的也不太好

[infrontofme]

in-air images:

syn-fake images:
3 types

restored in-air images: l1+msssim loss

water images:

restored water images:

realc包含的水下场景很丰富，这种方法并不是在所有的场景下都能work，这也是水下图像增强算法的挑战。基于deep-learning的方法依赖训练集的质量，在模式比较接近的场景能够起到较好的效果。我们也正在做一些改进的工作，想要兼顾实时和较好的效果，拟融合一些先验知识到深度学习网络里，欢迎交流！

[shaxiaozi123456]

假如我全用绿的那种type，那么测试集偏绿的效果自然会好一些，如果混合三种type，是不是需要选择性的将某些空中图片对应水下图片，比如说空中图片相近的几张都类似，所以把这几张类似的图片分别对应不同type的水下图片，这样训练的模型泛华性能是不是应该好些，你们是怎么选择的，你们的实验的确做的很棒，就是我复现一个相对好的结果有点困难

[infrontofme]

使用UWGAN合成的水下数据集已上传到Google Drive，

fake water images generated from UWGAN: [Google Drive]

[shaxiaozi123456]

能上传到百度云吗