在 Apple Silicon 上初次接触 KAIR：一次图像恢复实践

此前我接触过摄影和数字图像后期处理，对曝光、ISO、白平衡等数字图像相关概念有一些基础了解。这些经历让我对图像质量的变化有过比较直观的认识。为了进一步了解图像恢复方向，我近期尝试配置并运行了 KAIR 这一图像恢复工具箱。

KAIR 基于 PyTorch，包含图像去噪、超分辨率、去模糊等任务，也提供了 DnCNN、USRNet、SwinIR 等模型的训练和测试代码。由于目前对图像恢复方向的理论和模型设计还缺少系统了解，这次实践的目的比较朴素：先把代码配置起来，完成一次测试，再结合输出图像记录自己的初步观察。

环境与安装

这次使用的是一台 Apple M4 MacBook Air，系统为 macOS，Python 版本为 3.11。我在仓库目录中创建了独立的 Python 虚拟环境，并按照项目说明安装依赖。

依赖安装完成后，第一次运行测试脚本时还需要补充安装 matplotlib：

ModuleNotFoundError: No module named 'matplotlib'

当前仓库运行测试脚本时仍需要额外安装这一依赖。这个过程也提醒我，配置研究代码时，除了按照 README 执行主流程，还需要结合实际入口检查运行环境。

下载模型并运行测试

随后运行了仓库提供的预训练模型下载脚本：

python main_download_pretrained_models.py

这一步下载了 model_zoo/dncnn3.pth。为了测试 Set12 上的固定噪声去除效果，我使用了仓库中已有的 dncnn_25.pth，命令如下：

python main_test_dncnn.py \
  --model_name dncnn_25 \
  --testset_name set12 \
  --noise_level_img 25

这里的 noise_level_img 25 表示测试时添加的噪声等级。需要特别说明的是：这次最终测试使用的是 dncnn_25.pth，而不是前一步刚下载的 dncnn3.pth。两者在这次记录中扮演的是不同角色。

测试集一共包含 12 张图像，模型参数量为 555,137。最终得到的平均结果是：

Average PSNR/SSIM(RGB) - set12_dncnn_25
PSNR: 30.43 dB
SSIM: 0.8617

这说明测试流程已经完成，但单独看这两个数字，我还不能理解模型在不同图像上的具体表现，也不能判断它如何处理纹理。因此，我继续逐张对照了原图和输出图，并把下面的内容作为这次运行中的初步观察，而不是严格的实验结论。

逐图观察：去掉噪声，也可能去掉纹理

下面的对比图来自这次实际运行生成的结果。每组图片按照上图为测试图、下图为 DnCNN 输出图的顺序排列。为了让对比更容易复核，我保留了几组具有代表性的样本。

01：条纹噪声去除得最明显

在 01 中，背景中的条纹噪声被明显压制，人物、相机和三脚架的主要轮廓仍然保留得比较完整。就主观观感而言，这是这一组中最成功的结果之一：噪声减少带来的收益很明显，而主体结构没有出现同样程度的破坏。

02：墙面砖纹理出现明显损失

02 暴露出了另一面。墙壁上的砖块纹理属于密集、重复的高频结构。输出图中，墙面的整体明暗和屋顶轮廓还在，但细密的砖纹明显被平滑掉了。

这让我开始意识到，去噪效果不能只用“噪声有没有变少”来判断。对于模型来说，规则的细纹和噪声在局部统计上可能存在相似之处；模型在抑制噪声的同时，是否也会损失一部分纹理，应该与噪声类型、图像内容和模型设计等因素有关。仅凭这一次观察，我还不能进一步判断具体原因。

03：蔬菜表面细节被部分抹平

03 中，蔬菜的整体形状和亮暗关系仍然清楚，但表面细小的起伏、纹理和局部变化变得不那么丰富。这种变化不像 02 的砖墙那样集中，却更容易出现在自然物体上：它们的纹理没有明确的规则，模型更难判断哪些细节应该保留。

05：蝴蝶翅膀边缘变得更平滑

05 中，蝴蝶翅膀上的主要黑白图案仍然存在，但深色条纹边缘的细小毛刺和局部锐度有所下降。大尺度结构被保留下来，小尺度边缘被削弱，这种差异在放大观察时尤其明显。

07：羽毛细节明显变软

07 中，鹦鹉的轮廓和面部区域基本保持，但羽毛的细碎层次明显减少。对于人眼来说，羽毛、头发、织物和皮肤纹理往往是图像真实感的重要来源；它们被平滑后，图像虽然更干净，却也更像经过了轻微的涂抹。

这次运行让我想到的事情

完成 DnCNN 的测试后，我观察到模型能够较好地去除背景中的随机噪声，但与此同时，墙面瓷砖的纹理、缝隙以及人物面部的部分细节也出现了一定程度的平滑。这让我第一次较为直观地感受到，图像去噪算法需要在噪声抑制与细节保留之间进行权衡。

虽然目前我还不了解模型背后的具体设计原理，但这也让我产生了进一步阅读论文、理解模型设计的兴趣。

PSNR 和 SSIM 不能替代逐图观察

30.43 dB 的平均 PSNR 和 0.8617 的平均 SSIM 能够概括整体效果，但它们无法说明 01 和 02 之间的差异，也无法直接表达“砖纹被抹平了多少”。如果只看最终指标，很容易错过模型在不同类型纹理上的行为差异。

去噪本质上包含了保真度取舍

DnCNN 的目标是从带噪图像中恢复更干净的图像，但“干净”和“细节完整”并不总是同时达到。噪声越像真实纹理，去除它时误伤纹理的风险就越高。这次 Set12 的结果让我第一次比较直观地看到，图像复原并不是简单地把错误像素擦掉，而是需要在噪声抑制和细节保留之间进行取舍。至于模型具体依据什么进行这种取舍，我目前还没有足够的理论基础去解释。

跑通代码只是开始

这次实践让我初步建立了从依赖、模型、测试参数到输出图像之间的联系：

环境配置
→ 模型与测试集
→ 噪声等级
→ 推理输出
→ PSNR / SSIM
→ 逐图分析

回看输出图像之后，我才开始意识到指标背后还对应着具体的视觉变化。

后续计划

接下来，我希望继续尝试不同噪声等级和其他 DnCNN 模型，并进一步运行一个超分辨率模型。同时，我也想阅读测试脚本和模型实现，弄清楚数据预处理、噪声添加、推理和指标计算分别发生在哪里。

这只是一次简单的环境配置和测试，但它让我第一次真正接触到了图像恢复项目的代码组织方式，也让我意识到，相比于看到最终效果，我更想理解模型为什么能够产生这样的效果。

对我来说，比较有意思的并不是项目最终能够运行，而是第一次有机会观察图像恢复模型在图像上的实际作用：噪声消失的同时，一些细小纹理也变得更加平滑。图像恢复并不只是让图像变得“更干净”，其中始终存在去除噪声与保留细节之间的权衡。虽然我目前对背后的原理还了解得很少，但这次小实验让我更想继续看看模型是怎样做出这种取舍的。