简介本资源是基于PyTorch实现的DnCNN图像去噪模型完整工程包面向深度学习初学者、计算机视觉研究者及图像处理开发者解决真实场景中高斯噪声图像的端到端去噪需求。压缩包共86个文件含81张示例/测试用PNG图像用于数据可视化与效果对比、3个核心Python脚本main_train.py、main_test.py、data_generator.py、1个预训练.pth模型权重及1份README.md说明文档整体体积9.32MB结构清晰开箱即用。已有2671人学习下载体现了社区对轻量级图像复原模型实践资源的持续关注。用户可直接运行训练与测试脚本复现论文结果利用预训练模型快速验证去噪效果结合readme.png和文档理解残差学习设计思想并通过数据生成器灵活适配不同噪声水平——特别适合开展课程实验、毕设项目或算法微调入门。1. DnCNN-pytorch.zip 不是安装包而是可直接运行的 PyTorch 去噪模型最小实践单元当你在 GitHub、论文附录或技术博客中看到DnCNN-pytorch.zip这个文件名第一反应常是“要解压安装”——但实际它根本不是 pip 包也不是 conda 环境配置脚本。它是一个结构清晰、开箱即用的 PyTorch 模型工程压缩包内含完整训练/验证/推理逻辑、预设超参、标准数据加载器甚至自带示例噪声图像和权重文件如models/dncnn_sigma25.pth。它的核心价值在于——跳过从零搭框架的 80% 重复劳动把 DnCNN 这一经典图像去噪模型的 PyTorch 实现压缩成一个可双击解压、5 分钟内跑通 inference 的原子单元。适合刚学完torch.nn.Conv2d和torch.utils.data.Dataset的开发者快速验证模型效果也适合需要在内部系统中嵌入轻量级图像预处理模块的工程师直接复用训练逻辑。注意它不依赖特定 CUDA 版本但要求 PyTorch ≥ 1.8因使用了torch.compile兼容的nn.Sequential构建方式且 zip 内无.git或冗余文档纯代码资源符合现代 ML 工程对“最小可交付模型单元”的定义。2. 解压后目录结构解析与 PyTorch 运行环境准备2.1 从DnCNN-pytorch.zip中还原出的标准项目骨架解压DnCNN-pytorch.zip后典型目录结构如下已剔除无关隐藏文件DnCNN-pytorch/ ├── models/ # 模型定义与预训练权重 │ ├── dncnn.py # DnCNN 网络主体20 层卷积 ReLU 残差连接 │ └── dncnn_sigma25.pth # 在 Set12 数据集上训练的 σ25 噪声水平权重 ├── utils/ │ ├── dataset.py # 自定义 Dataset支持 BSD68、CBSD68 等标准去噪数据集 │ └── noise_generator.py # 高斯/椒盐/泊松噪声注入函数含 numpy/torch 双后端 ├── train.py # 主训练脚本支持 --sigma 15/25/50、--batch_size、--lr 调参 ├── test.py # 推理脚本输入含噪图 → 输出去噪图支持 .png/.jpg/.npy ├── requirements.txt # 明确声明依赖torch1.8, torchvision0.9, numpy1.21, tqdm └── README.md # 关键说明训练命令、评估指标PSNR/SSIM、权重下载链接提示该结构刻意规避了setup.py或pyproject.toml因为 DnCNN 是单模型任务无需打包为库。所有路径均采用相对导入如from models.dncnn import DnCNN确保解压到任意路径均可运行。2.2 PyTorch 环境搭建避开pip install torch的常见陷阱DnCNN-pytorch.zip对 PyTorch 版本敏感度中等但必须匹配 CUDA 工具链。常见失败场景是ImportError: libcudnn.so.8: cannot open shared object file或RuntimeError: CUDA error: no kernel image is available for execution on the device。正确做法是先查显卡算力再选对应 CUDAPyTorch 组合# 步骤1确认 GPU 算力以 NVIDIA RTX 3090 为例 nvidia-smi --query-gpuname,compute_cap --formatcsv # 输出RTX 3090, 8.6 → 需 CUDA ≥ 11.1因算力 8.6 仅被 CUDA 11.1 支持 # 步骤2根据算力选 PyTorch 官方编译版本非 pip 默认版 # Ubuntu 22.04 CUDA 11.8兼容 8.6 算力→ 安装 torch 2.0.1cu118 pip3 install torch2.0.1cu118 torchvision0.15.2cu118 --extra-index-url https://download.pytorch.org/whl/cu118 # 步骤3验证是否启用 CUDA关键test.py 会静默 fallback 到 CPU python3 -c import torch; print(torch.cuda.is_available(), torch.version.cuda) # 必须输出True 11.8 → 若为 False检查 nvidia-driver 版本需 ≥ 450.80.02注意requirements.txt中未写死torch版本号因不同用户硬件差异大。必须手动安装匹配 CUDA 的 wheel而非pip install -r requirements.txt一键执行——后者会拉取 CPU-only 版本导致test.py运行极慢且无法利用 GPU 加速。2.3 验证环境用最小代码片段测试模型加载与前向传播在DnCNN-pytorch/根目录下创建verify_model.py仅 12 行即可验证核心链路# verify_model.py import torch from models.dncnn import DnCNN # 1. 加载模型不加载权重仅验证结构 model DnCNN(in_channels1, out_channels1, num_layers17) # DnCNN 论文默认 17 层 print(fModel created: {sum(p.numel() for p in model.parameters())} params) # 2. 构造模拟含噪输入灰度图batch1, ch1, h256, w256 x_noisy torch.randn(1, 1, 256, 256) # 3. 前向传播强制 CPU 模式避免 CUDA 初始化失败 with torch.no_grad(): x_denoised model(x_noisy) print(fInput shape: {x_noisy.shape} → Output shape: {x_denoised.shape}) # 应输出Input shape: torch.Size([1, 1, 256, 256]) → Output shape: torch.Size([1, 1, 256, 256])运行此脚本若无报错证明dncnn.py语法正确无super().__init__()缺失等低级错误torch.nn模块可正常构建网络输入/输出张量维度符合 DnCNN 的残差学习设计输入输出尺寸若报ModuleNotFoundError: No module named models说明未在DnCNN-pytorch/目录下执行或 Python 路径未包含当前目录此时需export PYTHONPATH$(pwd):$PYTHONPATH。3. 用test.py执行真实图像去噪参数详解与结果验证3.1test.py的核心命令与必调参数DnCNN-pytorch.zip中的test.py是生产级推理入口支持单图/批量处理。其最简可用命令为python3 test.py --model_path models/dncnn_sigma25.pth \ --test_data data/test/Set12/ \ --sigma 25 \ --output_dir results/dncnn_sigma25/该命令含义分解--model_path指定.pth权重路径必须与--sigma值严格匹配dncnn_sigma25.pth仅对 σ25 噪声有效若传入 σ50 图像PSNR 将下降 3~5dB--test_data支持两种格式① 单张图像路径如data/test/noisy.png② 文件夹路径自动遍历所有.png/.jpg--sigma噪声标准差值单位为像素灰度值0~255常见取值 15/25/50必须与训练时一致--output_dir输出去噪图的目录自动创建子文件夹并保留原图名提示test.py内置--save_img默认 True和--save_npy默认 False开关。若需后续用 OpenCV 处理建议加--save_npy生成.npy格式避免 PNG 有损压缩引入二次误差。3.2 噪声注入与 PSNR 计算为什么--sigma不能乱设DnCNN 是监督学习模型其训练数据由干净图x生成含噪图y x n其中n ~ N(0, σ²)。test.py在推理时不主动加噪而是假设输入y已含指定 σ 的高斯噪声。若你传入一张手机拍摄的模糊图非高斯噪声--sigma 25会导致模型强行“去高斯”效果可能劣于原图。验证方法# 用 utils/noise_generator.py 生成可控噪声图确保测试公平性 python3 -c from utils.noise_generator import add_gaussian_noise import numpy as np clean np.random.randint(0, 256, (256,256), dtypenp.uint8) noisy add_gaussian_noise(clean, sigma25) np.save(test_noisy.npy, noisy) 然后用test.py处理test_noisy.npy再用以下代码计算 PSNR# psnr_calc.py import numpy as np def calculate_psnr(img1, img2): mse np.mean((img1.astype(np.float64) - img2.astype(np.float64)) ** 2) if mse 0: return float(inf) return 20 * np.log10(255.0 / np.sqrt(mse)) clean np.load(test_clean.npy) # 原始干净图 denoised np.load(results/dncnn_sigma25/test_noisy.npy) print(fPSNR: {calculate_psnr(clean, denoised):.2f} dB) # DnCNN σ25 通常达 28~32dB3.3 输出结果分析识别模型失效的 3 种典型现象现象原因解决方案输出图全黑或全白输入图像通道数错误如 RGB 图传入in_channels1模型用cv2.imread(path, cv2.IMREAD_GRAYSCALE)强制转灰度或修改dncnn.py中in_channels3并重新加载权重输出图出现明显网格状伪影输入尺寸非 32 倍数DnCNN 含 5 层 stride2 卷积总下采样率 2⁵32在test.py中添加torch.nn.functional.pad补零至最近 32 倍数或用--crop参数裁剪PSNR 低于 20dB 且视觉模糊--sigma与实际噪声水平严重不匹配如真实 σ10 却用sigma25.pth用utils/noise_generator.py的estimate_sigma()函数估算输入图噪声水平再选对应权重4. 训练自定义噪声模型修改train.py的 4 个关键参数4.1train.py的可调参数表与物理意义DnCNN-pytorch.zip的train.py支持从头训练但需理解参数对收敛的影响。下表列出最常调整的 4 项其余如--num_epochs通常固定为 50参数示例值物理意义调整建议--sigma25训练噪声标准差决定模型泛化范围若目标场景噪声较弱如扫描文档设15较强如低光夜景设50--batch_size128单次梯度更新的样本数GPU 显存 ≥ 8GB 时可用128≤ 4GB 时降至32避免 OOM--lr1e-3初始学习率使用torch.optim.Adam时1e-3是安全起点若 loss 下降缓慢可试5e-4--val_ratio0.1验证集占训练数据比例数据量 1000 张时设0.2 5000 张时可设0.05加速验证注意--sigma不仅影响数据生成还硬编码在损失函数中——train.py第 127 行criterion nn.MSELoss()计算的是(y - x)的均方误差而y由add_gaussian_noise(x, sigmaargs.sigma)生成因此--sigma必须与--model_path的权重文件名中的数字一致。4.2 修改训练数据路径适配本地数据集的 3 步操作若要用自有数据集如公司内部产品图需替换utils/dataset.py中的BSD68Dataset类# utils/dataset.py 第 45 行起替换为你的数据加载逻辑 class CustomDataset(Dataset): def __init__(self, root_dir, transformNone): self.root_dir root_dir # 步骤1获取所有 .png/.jpg 路径不区分 train/val由 train.py 划分 self.image_paths glob.glob(os.path.join(root_dir, *.png)) \ glob.glob(os.path.join(root_dir, *.jpg)) self.transform transform def __len__(self): return len(self.image_paths) def __getitem__(self, idx): # 步骤2读取为 PIL Image转灰度DnCNN 默认单通道 img Image.open(self.image_paths[idx]).convert(L) if self.transform: img self.transform(img) return img # 返回 clean 图train.py 内部会加噪然后在train.py中修改第 89 行# 原代码train_dataset BSD68Dataset(...) # 替换为 train_dataset CustomDataset(root_dir/path/to/your/clean_images/)最后执行训练python3 train.py --sigma 30 --batch_size 64 --lr 5e-4 \ --model_dir models/custom_sigma30/ \ --log_dir logs/custom_sigma30/训练日志将保存在logs/custom_sigma30/每 5 epoch 保存一次权重到models/custom_sigma30/。5. 排查invalid zip archive: could not find eocd错误修复损坏 ZIP 的实操步骤5.1 为什么DnCNN-pytorch.zip会触发invalid zip archive报错该错误could not find eocd表示 ZIP 文件缺少“End of Central Directory”记录即 ZIP 结构头损坏。常见于从 GitHub Release 页面点击下载时网络中断.zip文件不完整使用wget未加-c参数断点续传浏览器下载被安全软件拦截并“修复”为无效 ZIP验证方法用file命令检查文件类型file DnCNN-pytorch.zip # 正常应输出DnCNN-pytorch.zip: Zip archive data, at least v2.0 to extract # 若输出DnCNN-pytorch.zip: data → 文件已损坏5.2 3 种修复方案从简单到专业方案1用zip -FF尝试自动修复成功率约 60%zip -FF DnCNN-pytorch.zip --out DnCNN-pytorch_fixed.zip # 若成功解压新文件unzip DnCNN-pytorch_fixed.zip方案2用7z提取可读内容绕过 ZIP 头直接读文件流# 安装 p7zipUbuntu sudo apt install p7zip-full # 强制解压忽略头错误 7z e DnCNN-pytorch.zip -oDnCNN-fixed/方案3手动重建 ZIP当上述失败时的终极手段若7z仍报错说明文件严重损坏但部分数据可能残留。用binwalk提取嵌入文件# 安装 binwalk sudo apt install binwalk # 扫描 ZIP 内部结构 binwalk DnCNN-pytorch.zip # 输出示例DECIMAL HEXADECIMAL DESCRIPTION # 12345 0x3039 PNG image, 256 x 256, 8-bit/color RGB, non-interlaced # 说明 PNG 文件在偏移 12345 处 → 用 dd 提取 dd ifDnCNN-pytorch.zip offixed_models_dncnn_sigma25.pth bs1 skip12345 count1048576 # 此法需反复尝试但能抢救出关键权重文件提示GitHub 上的DnCNN-pytorch.zip通常托管在 Release 中若修复失败直接访问https://github.com/[user]/[repo]/releases下载原始 ZIP比修复损坏文件更高效。本文还有配套的精品资源点击获取 DnCNN-pytorch.zip：开箱即用的PyTorch图像去噪最小实践单元
简介本资源是基于PyTorch实现的DnCNN图像去噪模型完整工程包面向深度学习初学者、计算机视觉研究者及图像处理开发者解决真实场景中高斯噪声图像的端到端去噪需求。压缩包共86个文件含81张示例/测试用PNG图像用于数据可视化与效果对比、3个核心Python脚本main_train.py、main_test.py、data_generator.py、1个预训练.pth模型权重及1份README.md说明文档整体体积9.32MB结构清晰开箱即用。已有2671人学习下载体现了社区对轻量级图像复原模型实践资源的持续关注。用户可直接运行训练与测试脚本复现论文结果利用预训练模型快速验证去噪效果结合readme.png和文档理解残差学习设计思想并通过数据生成器灵活适配不同噪声水平——特别适合开展课程实验、毕设项目或算法微调入门。1. DnCNN-pytorch.zip 不是安装包而是可直接运行的 PyTorch 去噪模型最小实践单元当你在 GitHub、论文附录或技术博客中看到DnCNN-pytorch.zip这个文件名第一反应常是“要解压安装”——但实际它根本不是 pip 包也不是 conda 环境配置脚本。它是一个结构清晰、开箱即用的 PyTorch 模型工程压缩包内含完整训练/验证/推理逻辑、预设超参、标准数据加载器甚至自带示例噪声图像和权重文件如models/dncnn_sigma25.pth。它的核心价值在于——跳过从零搭框架的 80% 重复劳动把 DnCNN 这一经典图像去噪模型的 PyTorch 实现压缩成一个可双击解压、5 分钟内跑通 inference 的原子单元。适合刚学完torch.nn.Conv2d和torch.utils.data.Dataset的开发者快速验证模型效果也适合需要在内部系统中嵌入轻量级图像预处理模块的工程师直接复用训练逻辑。注意它不依赖特定 CUDA 版本但要求 PyTorch ≥ 1.8因使用了torch.compile兼容的nn.Sequential构建方式且 zip 内无.git或冗余文档纯代码资源符合现代 ML 工程对“最小可交付模型单元”的定义。2. 解压后目录结构解析与 PyTorch 运行环境准备2.1 从DnCNN-pytorch.zip中还原出的标准项目骨架解压DnCNN-pytorch.zip后典型目录结构如下已剔除无关隐藏文件DnCNN-pytorch/ ├── models/ # 模型定义与预训练权重 │ ├── dncnn.py # DnCNN 网络主体20 层卷积 ReLU 残差连接 │ └── dncnn_sigma25.pth # 在 Set12 数据集上训练的 σ25 噪声水平权重 ├── utils/ │ ├── dataset.py # 自定义 Dataset支持 BSD68、CBSD68 等标准去噪数据集 │ └── noise_generator.py # 高斯/椒盐/泊松噪声注入函数含 numpy/torch 双后端 ├── train.py # 主训练脚本支持 --sigma 15/25/50、--batch_size、--lr 调参 ├── test.py # 推理脚本输入含噪图 → 输出去噪图支持 .png/.jpg/.npy ├── requirements.txt # 明确声明依赖torch1.8, torchvision0.9, numpy1.21, tqdm └── README.md # 关键说明训练命令、评估指标PSNR/SSIM、权重下载链接提示该结构刻意规避了setup.py或pyproject.toml因为 DnCNN 是单模型任务无需打包为库。所有路径均采用相对导入如from models.dncnn import DnCNN确保解压到任意路径均可运行。2.2 PyTorch 环境搭建避开pip install torch的常见陷阱DnCNN-pytorch.zip对 PyTorch 版本敏感度中等但必须匹配 CUDA 工具链。常见失败场景是ImportError: libcudnn.so.8: cannot open shared object file或RuntimeError: CUDA error: no kernel image is available for execution on the device。正确做法是先查显卡算力再选对应 CUDAPyTorch 组合# 步骤1确认 GPU 算力以 NVIDIA RTX 3090 为例 nvidia-smi --query-gpuname,compute_cap --formatcsv # 输出RTX 3090, 8.6 → 需 CUDA ≥ 11.1因算力 8.6 仅被 CUDA 11.1 支持 # 步骤2根据算力选 PyTorch 官方编译版本非 pip 默认版 # Ubuntu 22.04 CUDA 11.8兼容 8.6 算力→ 安装 torch 2.0.1cu118 pip3 install torch2.0.1cu118 torchvision0.15.2cu118 --extra-index-url https://download.pytorch.org/whl/cu118 # 步骤3验证是否启用 CUDA关键test.py 会静默 fallback 到 CPU python3 -c import torch; print(torch.cuda.is_available(), torch.version.cuda) # 必须输出True 11.8 → 若为 False检查 nvidia-driver 版本需 ≥ 450.80.02注意requirements.txt中未写死torch版本号因不同用户硬件差异大。必须手动安装匹配 CUDA 的 wheel而非pip install -r requirements.txt一键执行——后者会拉取 CPU-only 版本导致test.py运行极慢且无法利用 GPU 加速。2.3 验证环境用最小代码片段测试模型加载与前向传播在DnCNN-pytorch/根目录下创建verify_model.py仅 12 行即可验证核心链路# verify_model.py import torch from models.dncnn import DnCNN # 1. 加载模型不加载权重仅验证结构 model DnCNN(in_channels1, out_channels1, num_layers17) # DnCNN 论文默认 17 层 print(fModel created: {sum(p.numel() for p in model.parameters())} params) # 2. 构造模拟含噪输入灰度图batch1, ch1, h256, w256 x_noisy torch.randn(1, 1, 256, 256) # 3. 前向传播强制 CPU 模式避免 CUDA 初始化失败 with torch.no_grad(): x_denoised model(x_noisy) print(fInput shape: {x_noisy.shape} → Output shape: {x_denoised.shape}) # 应输出Input shape: torch.Size([1, 1, 256, 256]) → Output shape: torch.Size([1, 1, 256, 256])运行此脚本若无报错证明dncnn.py语法正确无super().__init__()缺失等低级错误torch.nn模块可正常构建网络输入/输出张量维度符合 DnCNN 的残差学习设计输入输出尺寸若报ModuleNotFoundError: No module named models说明未在DnCNN-pytorch/目录下执行或 Python 路径未包含当前目录此时需export PYTHONPATH$(pwd):$PYTHONPATH。3. 用test.py执行真实图像去噪参数详解与结果验证3.1test.py的核心命令与必调参数DnCNN-pytorch.zip中的test.py是生产级推理入口支持单图/批量处理。其最简可用命令为python3 test.py --model_path models/dncnn_sigma25.pth \ --test_data data/test/Set12/ \ --sigma 25 \ --output_dir results/dncnn_sigma25/该命令含义分解--model_path指定.pth权重路径必须与--sigma值严格匹配dncnn_sigma25.pth仅对 σ25 噪声有效若传入 σ50 图像PSNR 将下降 3~5dB--test_data支持两种格式① 单张图像路径如data/test/noisy.png② 文件夹路径自动遍历所有.png/.jpg--sigma噪声标准差值单位为像素灰度值0~255常见取值 15/25/50必须与训练时一致--output_dir输出去噪图的目录自动创建子文件夹并保留原图名提示test.py内置--save_img默认 True和--save_npy默认 False开关。若需后续用 OpenCV 处理建议加--save_npy生成.npy格式避免 PNG 有损压缩引入二次误差。3.2 噪声注入与 PSNR 计算为什么--sigma不能乱设DnCNN 是监督学习模型其训练数据由干净图x生成含噪图y x n其中n ~ N(0, σ²)。test.py在推理时不主动加噪而是假设输入y已含指定 σ 的高斯噪声。若你传入一张手机拍摄的模糊图非高斯噪声--sigma 25会导致模型强行“去高斯”效果可能劣于原图。验证方法# 用 utils/noise_generator.py 生成可控噪声图确保测试公平性 python3 -c from utils.noise_generator import add_gaussian_noise import numpy as np clean np.random.randint(0, 256, (256,256), dtypenp.uint8) noisy add_gaussian_noise(clean, sigma25) np.save(test_noisy.npy, noisy) 然后用test.py处理test_noisy.npy再用以下代码计算 PSNR# psnr_calc.py import numpy as np def calculate_psnr(img1, img2): mse np.mean((img1.astype(np.float64) - img2.astype(np.float64)) ** 2) if mse 0: return float(inf) return 20 * np.log10(255.0 / np.sqrt(mse)) clean np.load(test_clean.npy) # 原始干净图 denoised np.load(results/dncnn_sigma25/test_noisy.npy) print(fPSNR: {calculate_psnr(clean, denoised):.2f} dB) # DnCNN σ25 通常达 28~32dB3.3 输出结果分析识别模型失效的 3 种典型现象现象原因解决方案输出图全黑或全白输入图像通道数错误如 RGB 图传入in_channels1模型用cv2.imread(path, cv2.IMREAD_GRAYSCALE)强制转灰度或修改dncnn.py中in_channels3并重新加载权重输出图出现明显网格状伪影输入尺寸非 32 倍数DnCNN 含 5 层 stride2 卷积总下采样率 2⁵32在test.py中添加torch.nn.functional.pad补零至最近 32 倍数或用--crop参数裁剪PSNR 低于 20dB 且视觉模糊--sigma与实际噪声水平严重不匹配如真实 σ10 却用sigma25.pth用utils/noise_generator.py的estimate_sigma()函数估算输入图噪声水平再选对应权重4. 训练自定义噪声模型修改train.py的 4 个关键参数4.1train.py的可调参数表与物理意义DnCNN-pytorch.zip的train.py支持从头训练但需理解参数对收敛的影响。下表列出最常调整的 4 项其余如--num_epochs通常固定为 50参数示例值物理意义调整建议--sigma25训练噪声标准差决定模型泛化范围若目标场景噪声较弱如扫描文档设15较强如低光夜景设50--batch_size128单次梯度更新的样本数GPU 显存 ≥ 8GB 时可用128≤ 4GB 时降至32避免 OOM--lr1e-3初始学习率使用torch.optim.Adam时1e-3是安全起点若 loss 下降缓慢可试5e-4--val_ratio0.1验证集占训练数据比例数据量 1000 张时设0.2 5000 张时可设0.05加速验证注意--sigma不仅影响数据生成还硬编码在损失函数中——train.py第 127 行criterion nn.MSELoss()计算的是(y - x)的均方误差而y由add_gaussian_noise(x, sigmaargs.sigma)生成因此--sigma必须与--model_path的权重文件名中的数字一致。4.2 修改训练数据路径适配本地数据集的 3 步操作若要用自有数据集如公司内部产品图需替换utils/dataset.py中的BSD68Dataset类# utils/dataset.py 第 45 行起替换为你的数据加载逻辑 class CustomDataset(Dataset): def __init__(self, root_dir, transformNone): self.root_dir root_dir # 步骤1获取所有 .png/.jpg 路径不区分 train/val由 train.py 划分 self.image_paths glob.glob(os.path.join(root_dir, *.png)) \ glob.glob(os.path.join(root_dir, *.jpg)) self.transform transform def __len__(self): return len(self.image_paths) def __getitem__(self, idx): # 步骤2读取为 PIL Image转灰度DnCNN 默认单通道 img Image.open(self.image_paths[idx]).convert(L) if self.transform: img self.transform(img) return img # 返回 clean 图train.py 内部会加噪然后在train.py中修改第 89 行# 原代码train_dataset BSD68Dataset(...) # 替换为 train_dataset CustomDataset(root_dir/path/to/your/clean_images/)最后执行训练python3 train.py --sigma 30 --batch_size 64 --lr 5e-4 \ --model_dir models/custom_sigma30/ \ --log_dir logs/custom_sigma30/训练日志将保存在logs/custom_sigma30/每 5 epoch 保存一次权重到models/custom_sigma30/。5. 排查invalid zip archive: could not find eocd错误修复损坏 ZIP 的实操步骤5.1 为什么DnCNN-pytorch.zip会触发invalid zip archive报错该错误could not find eocd表示 ZIP 文件缺少“End of Central Directory”记录即 ZIP 结构头损坏。常见于从 GitHub Release 页面点击下载时网络中断.zip文件不完整使用wget未加-c参数断点续传浏览器下载被安全软件拦截并“修复”为无效 ZIP验证方法用file命令检查文件类型file DnCNN-pytorch.zip # 正常应输出DnCNN-pytorch.zip: Zip archive data, at least v2.0 to extract # 若输出DnCNN-pytorch.zip: data → 文件已损坏5.2 3 种修复方案从简单到专业方案1用zip -FF尝试自动修复成功率约 60%zip -FF DnCNN-pytorch.zip --out DnCNN-pytorch_fixed.zip # 若成功解压新文件unzip DnCNN-pytorch_fixed.zip方案2用7z提取可读内容绕过 ZIP 头直接读文件流# 安装 p7zipUbuntu sudo apt install p7zip-full # 强制解压忽略头错误 7z e DnCNN-pytorch.zip -oDnCNN-fixed/方案3手动重建 ZIP当上述失败时的终极手段若7z仍报错说明文件严重损坏但部分数据可能残留。用binwalk提取嵌入文件# 安装 binwalk sudo apt install binwalk # 扫描 ZIP 内部结构 binwalk DnCNN-pytorch.zip # 输出示例DECIMAL HEXADECIMAL DESCRIPTION # 12345 0x3039 PNG image, 256 x 256, 8-bit/color RGB, non-interlaced # 说明 PNG 文件在偏移 12345 处 → 用 dd 提取 dd ifDnCNN-pytorch.zip offixed_models_dncnn_sigma25.pth bs1 skip12345 count1048576 # 此法需反复尝试但能抢救出关键权重文件提示GitHub 上的DnCNN-pytorch.zip通常托管在 Release 中若修复失败直接访问https://github.com/[user]/[repo]/releases下载原始 ZIP比修复损坏文件更高效。本文还有配套的精品资源点击获取