NITIRE 2023 公式 PSNR および SSIM 計算コード

問題の説明

PSNR画像修復作業を行う場合、総和や総和などの画質評価指標の計算が避けられませんがSSIM、インターネット上にはこれらの指標を計算するためのコードが多すぎて、コードによって計算結果が異なる場合があります。matlabを使用して計算されるものSSIMと、pythonを使用して計算されるものがありますSSIM。サードパーティのライブラリを使用してskimageを計算する場合SSIMもあれば、サードパーティのライブラリを使用してpyiqaを計算する場合もありますSSIM。以前ブログ主がUrban100テストセットの計算をしてみSSIMたところ、SR画像とHR画像の計算ではSSIM数値の差が大きく、matlabでの計算でSSIMは0.9644、pythonでの計算でSSIMは0.7980でした。そのため、どれがいわゆる標準なのか、人々は混乱してしまいます。

ニティアコンテスト

ブロガーは、今年の NITIRE 2023 超解像度トラックコンテストに注目し、軽量超解像度トラック NTIRE 2023 Challenge on Efficient Super-Resolution に、出場者がモデルのビデオメモリ使用量を自分でテストできるようにコードテンプレートが提供されていることに気付きました。、推論時間、PSNRおよびSSIM。元の報告書には次のような一文がある。

これらのメトリクスを計算するコード例は、https://github.com/ofsoundof/NTIRE2023_ESRで入手できます。提出されたソリューションのコードと事前トレーニングされた重みも、このリポジトリで入手できます。

これらのメトリクスを計算するコード例は、 https://github.com/ofsoundof/NTIRE2023_ESRにあります。提出されたソリューションのコードと事前トレーニングされた重みは、このリポジトリにあります。

つまり、NITIRE の公式計算コードはhttps://github.com/ofsoundof/NTIRE2023_ESRで見つけることができます。NITREコンペティションは、CVPR (IEEE Conference on Computer Vision andパターン認識) タスク競争の信頼性が高いため、このコードを計算に使用することをお勧めします。PSNRSSIM

コアコード

PSNR と SSIM を計算するためのコアコード

'''
# =======================================
# metric, PSNR and SSIM
# =======================================
'''

# ----------
# PSNR
# ----------
def calculate_psnr(img1, img2, border=0):
    img1 = _bord_img(img1)
    img2 = _bord_img(img2)
    return _calculate_psnr(img1, img2)


# ----------
# SSIM
# ----------
def calculate_ssim(img1, img2, border=0):
    img1 = _bord_img(img1)
    img2 = _bord_img(img2)
    return _calculate_ssim(img1, img2)


def _calculate_ssim(img, img2, test_y_channel=True):
    if test_y_channel:
        img = to_y_channel(img)
        img2 = to_y_channel(img2)

    ssims = []
    for i in range(img.shape[2]):
        ssims.append(_ssim(img[..., i], img2[..., i]))
    return np.array(ssims).mean()

# 在y通道上计算
def _calculate_psnr(img, img2, test_y_channel=True,):
    if test_y_channel:
        img = to_y_channel(img)
        img2 = to_y_channel(img2)

    mse = np.mean((img - img2)**2)
    if mse == 0:
        return float('inf')
    return 20. * np.log10(255. / np.sqrt(mse))


def _ssim(img, img2):
    c1 = (0.01 * 255)**2
    c2 = (0.03 * 255)**2

    img = img.astype(np.float64)
    img2 = img2.astype(np.float64)
    kernel = cv2.getGaussianKernel(11, 1.5)
    window = np.outer(kernel, kernel.transpose())

    mu1 = cv2.filter2D(img, -1, window)[5:-5, 5:-5]
    mu2 = cv2.filter2D(img2, -1, window)[5:-5, 5:-5]
    mu1_sq = mu1**2
    mu2_sq = mu2**2
    mu1_mu2 = mu1 * mu2
    sigma1_sq = cv2.filter2D(img**2, -1, window)[5:-5, 5:-5] - mu1_sq
    sigma2_sq = cv2.filter2D(img2**2, -1, window)[5:-5, 5:-5] - mu2_sq
    sigma12 = cv2.filter2D(img * img2, -1, window)[5:-5, 5:-5] - mu1_mu2

    ssim_map = ((2 * mu1_mu2 + c1) * (2 * sigma12 + c2)) / ((mu1_sq + mu2_sq + c1) * (sigma1_sq + sigma2_sq + c2))
    return ssim_map.mean()

最後に、勉強してくれた友達に感謝します~

最後に、2023 年の効率的な超解像度コンテストのレポートへのリンクが添付されています。どなたでも読んで共有することができます:効率的な超解像度に関する NTIRE 2023 チャレンジ: 方法と結果