链接：https://aistudio.baidu.com/aistudio/competition/detail/128/0/introduction
这是我们在1月份参加的一个图像处理的比赛，因为平时也做一些其他的image to image的任务，所以觉得这个比赛可以尝试一下。比赛的任务消除拍照图像中的摩尔纹：
官方虽然给出了一些参考论文和代码，但是限制只能用paddle框架，考虑到后面torch模型或者tensorflow的模型在转paddle的时候可能会出现一些Bug，我们就只在官方给的基准线上进行修改。
在官方提供的基线中，输入的图像是resize到(512,512)，然后再输入模型进行训练的，考虑到resize本质上是在做插值运算，所以我们就通过随机裁剪的方法进行处理；数据增强方面我们就使用了随机裁剪，没有再进行其他的操作。
官方给的基线是WDNet，但是没有给DPM模块的实现，虽然我们在比赛中也尝试进行了复现，但是DPM模块会带来很大的计算量，所以我们放弃了这个模块。
我们的比赛模型主要是这样的：
我们这个任务主要是分两个阶段进行的：在第一阶段用改进的WDNet进行去摩尔纹，在第二阶段用一个新模型去做去模糊，从而进一步提高客观指标分数(PSNR,SSIM).
第一阶段的模型：
第一阶段的模型中，我们仍然保留了原本的Dense Branch的主要结构，因为我们尝试过用一般的残差块去替换这个Dense Branch，但是很难有提升。其中的Dilation Branch过于简单，我们认为这个模块虽然能保留特征的信息，但是没有其他的辅助作用，所以我们用一个空间注意力模块去进行替换：
最后发现，这个空间注意力模块会带来不错的提升。我们模型的三个分支线的运算，最后进行融合的思路主要是参考了MBCNN，多尺度多分支的模型会带来非常显著的提升。
在观察实验结果的时候，我们发现虽然整体的摩尔纹虽然去除得很好了，但是文档中的字体却变得比以前模糊了，所以我们想找一个轻量的模型去做一个去模糊的任务，后来我们找到了一个比较合适的模型PAN：
我们在实际应用的过程中，模型是这样的：
只有最后的几层是不一样的，其他的模块完全没有改动。
学习率，batch_size，损失函数等等我们主要还是使用原论文提供的参数，但是在训练策略上有一个很重要的提升分数的点，就是分阶段训练，首先让patch size固定为128x128，训练至收敛，再增大到256x256，最后增加到512x512，就能得到一个不错的分数：
考虑到模型在训练的过程中，有的图像是进过水平翻转的，所以我们将图像翻转后输入模型，最后计算图像的均值，发现也可以提高分数。
B榜结果，我们是B榜上的第三名，
答辩综合结果：
通过这次比赛，我们小队也有不少的收获，很多实验上的尝试也打破了自己以往的想法：有时候你觉得你的改进一定有效，但是分数就是不涨，，，在比赛过程中，自己对实验的总结与归纳也有问题，比如一次改动太多，哪种改进会带来提升我们自己也解释不清楚。比赛带来的另一个好处就是，我们需要在有限的时间内做出好的结果，这次比赛中的两阶段模型，本质上我自己被逼急了，train一个单模型总是train不起来，索性就用两个模型来做，然后发现效果还不错，这也是我们能拿到好成绩的关键。希望我们的比赛经验对大家有所帮助，求大家给个一键三连吧~
代码github：https://github.com/ACALJJ32/WDNet_PAN.git
AI studio: https://aistudio.baidu.com/aistudio/projectdetail/3439026?shared=1
