简介这份PDF文献面向图像处理、计算机视觉方向的研究者与消防信息化技术人员聚焦火场灰度监控画面因烟雾导致的清晰度与对比度下降问题提出一套基于深度学习的去烟方案。资源包仅含1个PDF文件大小约1.26MB便于在移动端或桌面端直接查阅与引用。文中网络由检测子网络与去除子网络串联构成前者借助残差学习网络定位烟雾区域缓解深层网络梯度消失后者采用密集连接的U型网络通过Dense Block将低层特征复用到高层在保留背景的同时去除烟雾。实验从主观视觉效果与PSNR、SSIM等客观指标两方面验证其清晰度与实时性均优于传统方法并可推广至森林火灾、工业事故等烟雾场景。目前已有376人学习适合作为深度学习图像复原方向的参考文献与算法设计参考。1. 火场灰度图去烟为什么单通道图像反而更难做消防机器人和无人机回传的画面里烟是头号干扰源。可见光摄像头在浓烟下几乎失效而红外热成像、低照度工业相机输出的往往是单通道灰度图——没有色彩信息烟和背景的灰度分布高度重叠传统基于颜色先验的去烟方法直接失效。这就是「基于深度学习的火场灰度图像去烟算法」要解决的核心问题在只有亮度、没有色度的条件下把烟从画面里剥离出来恢复被遮挡的结构。它适合三类人做消防视觉、工业巡检的算法工程师手里只有灰度数据集、想上深度学习去烟的研究者以及需要把去烟模块塞进边缘设备、对推理延迟敏感的产品开发者。难点不在网络多深而在灰度域缺乏颜色线索、火场真实配对数据几乎拿不到、烟又分薄烟和浓烟两种截然不同的退化模式。下面按「数据怎么造、网络怎么搭、训练怎么调、部署怎么压」这条线走一遍。2. 灰度去烟的数据构造与网络选型2.1 灰度域为什么不能直接套彩色去烟模型彩色去烟如 DCP、MSBDN 这类依赖暗通道先验或颜色衰减先验本质是假设「无雾图像的暗通道趋近于零」。灰度图只有一个通道暗通道退化成局部最小值先验几乎不成立。更麻烦的是火场里烟和火焰的灰度值可能都在高亮区直接套彩色模型会出现「把火焰当烟去掉」或「烟没去掉、对比度先崩」两种极端。常见做法是放弃物理先验走「成对数据 监督回归」路线让网络学一个从含烟灰度图到无烟灰度图的映射。选型上轻量级编码器-解码器类似 U-Net 骨架加残差学习是性价比最高的起点因为去烟本质是「预测一层烟再减掉」残差结构能让网络只学烟的分布而不是重建整幅图。2.2 用大气散射模型合成灰度含烟数据真实火场配对数据同一场景有烟/无烟极难采集工业界普遍用合成数据起步。灰度域的大气散射模型简化为I(x) J(x) * t(x) A * (1 - t(x)) t(x) exp(-beta * d(x))其中I是含烟图J是无烟图A是大气光灰度标量t是透射率beta是散射系数d是深度图。灰度图没有深度信息用随机平滑噪声场近似d即可。import numpy as np import cv2 def synth_smoke_gray(clean_gray, beta_range(0.6, 2.2), A_range(0.75, 0.98)): 对单通道灰度图合成烟尘退化返回含烟图与透射率标签 h, w clean_gray.shape # 用低分辨率随机场上采样模拟深度避免逐像素噪声导致烟不均匀 low np.random.rand(h // 16 1, w // 16 1).astype(np.float32) depth cv2.resize(low, (w, h), interpolationcv2.INTER_CUBIC) depth (depth - depth.min()) / (depth.max() - depth.min() 1e-6) beta np.random.uniform(*beta_range) # 控制烟的浓度 A np.random.uniform(*A_range) # 大气光灰度标量 t np.exp(-beta * depth).astype(np.float32) # 透射率图 t np.clip(t, 0.05, 1.0) # 防止除零 clean clean_gray.astype(np.float32) / 255.0 smoky clean * t A * (1 - t) return (np.clip(smoky, 0, 1) * 255).astype(np.uint8), t逻辑说明beta越大烟越浓A越接近 1 画面越灰白。depth用 16 倍下采样的随机场再插值是为了让烟呈现块状不均匀而不是全图均匀加雾——真实火场烟就是团块状的。t裁剪到 0.05 下限避免后续做物理反演时除零。参数建议训练集beta覆盖 0.6~2.2测试集单独留一档beta2.5做浓烟泛化测试。A不要固定否则网络会学到「恒定大气光」这个捷径。2.3 网络结构残差 U-Net 与注意力门的取舍结构参数量灰度去烟表现适用场景普通 U-Net中薄烟好浓烟残留快速验证残差 U-Net中浓烟明显更好推荐起点加通道注意力偏大提升有限数据量大时加空间注意力门偏大边缘保留好结构恢复要求高我一般从残差 U-Net 起步编码器 4 层下采样解码器对称上采样跳跃连接改成「拼接后过一层 1x1 卷积再相加」。输出不是直接重建无烟图而是预测透射率t再用J (I - A*(1-t)) / t反演。这样网络只需学一个物理量收敛更快。import torch import torch.nn as nn class ResidualBlock(nn.Module): def __init__(self, ch): super().__init__() self.conv nn.Sequential( nn.Conv2d(ch, ch, 3, padding1), nn.ReLU(inplaceTrue), nn.Conv2d(ch, ch, 3, padding1), ) def forward(self, x): return x self.conv(x) # 残差连接缓解梯度消失 class SmokeNet(nn.Module): def __init__(self, base32): super().__init__() self.enc1 ResidualBlock(base) self.enc2 ResidualBlock(base * 2) self.enc3 ResidualBlock(base * 4) self.pool nn.MaxPool2d(2) self.up nn.Upsample(scale_factor2, modebilinear, align_cornersFalse) self.dec2 ResidualBlock(base * 2) self.dec1 ResidualBlock(base) self.head nn.Conv2d(base, 1, 1) # 输出单通道透射率 def forward(self, x): e1 self.enc1(x) e2 self.enc2(self.pool(e1)) e3 self.enc3(self.pool(e2)) d2 self.dec2(self.up(e3) e2) d1 self.dec1(self.up(d2) e1) return torch.sigmoid(self.head(d1)) # t 约束到 (0,1)逻辑说明sigmoid把透射率压到 0~1符合物理意义。跳跃连接用相加而非拼接是为了控制显存灰度图本身信息量小拼接带来的增益不明显。base32在 1080p 输入下显存约 4~6GB单卡可训。3. 训练策略与损失函数怎么调3.1 复合损失L1 打底SSIM 保结构透射率监督加速收敛只用 L1 会导致结果偏模糊火场里结构门框、通道边缘必须保住。我一般用三项加权import torch.nn.functional as F def ssim_loss(pred, target, window11): # 简化版 SSIM用平均池化近似局部均值 mu_p F.avg_pool2d(pred, window, 1, window // 2) mu_t F.avg_pool2d(target, window, 1, window // 2) var_p F.avg_pool2d(pred ** 2, window, 1, window // 2) - mu_p ** 2 var_t F.avg_pool2d(target ** 2, window, 1, window // 2) - mu_t ** 2 cov F.avg_pool2d(pred * target, window, 1, window // 2) - mu_p * mu_t c1, c2 0.01 ** 2, 0.03 ** 2 ssim ((2 * mu_p * mu_t c1) * (2 * cov c2)) / \ ((mu_p ** 2 mu_t ** 2 c1) * (var_p var_t c2)) return 1 - ssim.mean() def total_loss(pred_t, gt_t, pred_img, gt_img): l1 F.l1_loss(pred_img, gt_img) l_ssim ssim_loss(pred_img, gt_img) l_t F.l1_loss(pred_t, gt_t) # 透射率直接监督 return l1 0.5 * l_ssim 0.3 * l_t逻辑说明pred_img是用预测透射率反演出的无烟图gt_img是干净图。l_t让网络在早期就学到透射率分布避免只优化最终图像导致透射率乱跳。权重0.5和0.3是经验值SSIM 权重过高会让画面过锐、出现伪影。参数建议window11是 SSIM 标准窗口。如果显存紧张把 SSIM 换成1 - 余弦相似度也能用但结构保持会弱一些。3.2 学习率、epoch 与早停的实操参数灰度去烟数据量通常不大合成几千到几万对训练容易过拟合。我一般这样设优化器 Adam初始学习率2e-4每 20 个 epoch 乘 0.5batch size 8~16取决于输入分辨率256x256 可到 16512x512 用 8epoch 80~120配合早停验证集 L1 连续 10 个 epoch 不降就停数据增强只做水平翻转和随机裁剪不做颜色抖动灰度图没有颜色注意不要用彩色去烟常用的「随机加雾」增强灰度域加雾和加烟在数值上无法区分会让网络学混。3.3 训练不收敛时先查这三处第一检查透射率标签是否被裁剪到 0.05 以下又被反演导致J爆炸。第二确认输入归一化到[0,1]灰度图常被误当[0,255]直接喂进去。第三看损失里l_t是否远大于l1如果是说明透射率监督权重过大网络只顾拟合t而忽略最终图像质量把0.3降到0.1再试。4. 推理部署与浓烟场景的边界处理4.1 从透射率反演无烟图的数值稳定写法推理时最容易踩的坑是t接近 0 导致除零。工业部署里我一般加一个下限并做引导滤波平滑import cv2 import numpy as np def recover_gray(smoky_gray, t_pred, A0.9, t_min0.1): 由含烟灰度图和预测透射率反演无烟图 I smoky_gray.astype(np.float32) / 255.0 t np.clip(t_pred, t_min, 1.0) # 引导滤波用含烟图做引导平滑透射率保留边缘 t_refined cv2.ximgproc.guidedFilter( guide(I * 255).astype(np.uint8), src(t * 255).astype(np.uint8), radius32, eps1e-3 ).astype(np.float32) / 255.0 J (I - A * (1 - t_refined)) / t_refined return (np.clip(J, 0, 1) * 255).astype(np.uint8)逻辑说明t_min0.1是硬下限防止浓烟区反演溢出。引导滤波用含烟图当引导是因为烟边缘和图像边缘高度重合滤波后透射率不会在物体边界处突变。radius32适合 1080p小图按比例缩小。参数建议A在推理时不要用训练时的随机值取验证集上使 PSNR 最高的固定值通常 0.85~0.95。4.2 浓烟区该不该强行去烟浓烟区t往往低于 0.1此时反演出来的像素基本是噪声放大。强行去烟会得到一片雪花。我的做法是设一个阈值t_thresh0.15低于它的区域不做反演直接输出原图并标记为「不可恢复区」交给上层做告警或切换红外通道。透射率区间处理策略输出t 0.6正常反演清晰无烟图0.15 t ≤ 0.6反演 引导滤波可读图t ≤ 0.15不反演原图 不可恢复标记4.3 边缘设备上的量化与推理加速消防机器人算力有限常见做法是训练后做 INT8 量化。PyTorch 动态量化对卷积层收益明显import torch.quantization as tq model.eval() qmodel tq.quantize_dynamic( model, {torch.nn.Conv2d}, dtypetorch.qint8 ) # 导出后单帧 512x512 推理约 15~25ms视 CPU 而定逻辑说明只量化Conv2d因为激活函数和上采样对精度敏感量化后 PSNR 掉得少。动态量化不需要校准数据集适合快速上线。如果掉点超过 1dB改用静态量化并准备 200 张校准图。注意量化后务必用同一批测试图对比 PSNR/SSIM灰度去烟对量化误差比彩色任务更敏感因为单通道没有冗余。5. 用 PSNR 之外的三类指标验证去烟效果PSNR 在灰度去烟里经常骗人烟去掉但结构糊了PSNR 可能还很高。我一般补三类验证。第一结构相似度 SSIM重点看边缘区域把图像分成烟区和非烟区分别算。第二透射率误差 MAE直接衡量物理量预测准不准比图像指标更早暴露问题。第三下游任务指标——把去烟图送进目标检测器看召回率提升多少这是最贴近落地的验证。from skimage.metrics import structural_similarity as ssim import numpy as np def eval_pair(pred, gt, t_pred, t_gt): psnr 10 * np.log10(1.0 / np.mean((pred - gt) ** 2)) s ssim(pred, gt, data_range1.0) t_mae np.mean(np.abs(t_pred - t_gt)) return {psnr: psnr, ssim: s, t_mae: t_mae}逻辑说明data_range1.0对应归一化后的灰度图。t_mae低于 0.05 说明透射率预测已经可用此时再调图像损失收益递减。一个具体技巧把测试集按beta分档薄烟 0.6~1.2、中烟 1.2~1.8、浓烟 1.8~2.5分别报告指标。很多模型薄烟 PSNR 35浓烟直接掉到 22只看平均值会掩盖这个断层。分档后你会清楚知道模型能不能上真实火场——浓烟档 SSIM 低于 0.7 的建议先别部署回去补浓烟合成数据或加对抗训练。本文还有配套的精品资源点击获取
简介这份PDF文献面向图像处理、计算机视觉方向的研究者与消防信息化技术人员聚焦火场灰度监控画面因烟雾导致的清晰度与对比度下降问题提出一套基于深度学习的去烟方案。资源包仅含1个PDF文件大小约1.26MB便于在移动端或桌面端直接查阅与引用。文中网络由检测子网络与去除子网络串联构成前者借助残差学习网络定位烟雾区域缓解深层网络梯度消失后者采用密集连接的U型网络通过Dense Block将低层特征复用到高层在保留背景的同时去除烟雾。实验从主观视觉效果与PSNR、SSIM等客观指标两方面验证其清晰度与实时性均优于传统方法并可推广至森林火灾、工业事故等烟雾场景。目前已有376人学习适合作为深度学习图像复原方向的参考文献与算法设计参考。1. 火场灰度图去烟为什么单通道图像反而更难做消防机器人和无人机回传的画面里烟是头号干扰源。可见光摄像头在浓烟下几乎失效而红外热成像、低照度工业相机输出的往往是单通道灰度图——没有色彩信息烟和背景的灰度分布高度重叠传统基于颜色先验的去烟方法直接失效。这就是「基于深度学习的火场灰度图像去烟算法」要解决的核心问题在只有亮度、没有色度的条件下把烟从画面里剥离出来恢复被遮挡的结构。它适合三类人做消防视觉、工业巡检的算法工程师手里只有灰度数据集、想上深度学习去烟的研究者以及需要把去烟模块塞进边缘设备、对推理延迟敏感的产品开发者。难点不在网络多深而在灰度域缺乏颜色线索、火场真实配对数据几乎拿不到、烟又分薄烟和浓烟两种截然不同的退化模式。下面按「数据怎么造、网络怎么搭、训练怎么调、部署怎么压」这条线走一遍。2. 灰度去烟的数据构造与网络选型2.1 灰度域为什么不能直接套彩色去烟模型彩色去烟如 DCP、MSBDN 这类依赖暗通道先验或颜色衰减先验本质是假设「无雾图像的暗通道趋近于零」。灰度图只有一个通道暗通道退化成局部最小值先验几乎不成立。更麻烦的是火场里烟和火焰的灰度值可能都在高亮区直接套彩色模型会出现「把火焰当烟去掉」或「烟没去掉、对比度先崩」两种极端。常见做法是放弃物理先验走「成对数据 监督回归」路线让网络学一个从含烟灰度图到无烟灰度图的映射。选型上轻量级编码器-解码器类似 U-Net 骨架加残差学习是性价比最高的起点因为去烟本质是「预测一层烟再减掉」残差结构能让网络只学烟的分布而不是重建整幅图。2.2 用大气散射模型合成灰度含烟数据真实火场配对数据同一场景有烟/无烟极难采集工业界普遍用合成数据起步。灰度域的大气散射模型简化为I(x) J(x) * t(x) A * (1 - t(x)) t(x) exp(-beta * d(x))其中I是含烟图J是无烟图A是大气光灰度标量t是透射率beta是散射系数d是深度图。灰度图没有深度信息用随机平滑噪声场近似d即可。import numpy as np import cv2 def synth_smoke_gray(clean_gray, beta_range(0.6, 2.2), A_range(0.75, 0.98)): 对单通道灰度图合成烟尘退化返回含烟图与透射率标签 h, w clean_gray.shape # 用低分辨率随机场上采样模拟深度避免逐像素噪声导致烟不均匀 low np.random.rand(h // 16 1, w // 16 1).astype(np.float32) depth cv2.resize(low, (w, h), interpolationcv2.INTER_CUBIC) depth (depth - depth.min()) / (depth.max() - depth.min() 1e-6) beta np.random.uniform(*beta_range) # 控制烟的浓度 A np.random.uniform(*A_range) # 大气光灰度标量 t np.exp(-beta * depth).astype(np.float32) # 透射率图 t np.clip(t, 0.05, 1.0) # 防止除零 clean clean_gray.astype(np.float32) / 255.0 smoky clean * t A * (1 - t) return (np.clip(smoky, 0, 1) * 255).astype(np.uint8), t逻辑说明beta越大烟越浓A越接近 1 画面越灰白。depth用 16 倍下采样的随机场再插值是为了让烟呈现块状不均匀而不是全图均匀加雾——真实火场烟就是团块状的。t裁剪到 0.05 下限避免后续做物理反演时除零。参数建议训练集beta覆盖 0.6~2.2测试集单独留一档beta2.5做浓烟泛化测试。A不要固定否则网络会学到「恒定大气光」这个捷径。2.3 网络结构残差 U-Net 与注意力门的取舍结构参数量灰度去烟表现适用场景普通 U-Net中薄烟好浓烟残留快速验证残差 U-Net中浓烟明显更好推荐起点加通道注意力偏大提升有限数据量大时加空间注意力门偏大边缘保留好结构恢复要求高我一般从残差 U-Net 起步编码器 4 层下采样解码器对称上采样跳跃连接改成「拼接后过一层 1x1 卷积再相加」。输出不是直接重建无烟图而是预测透射率t再用J (I - A*(1-t)) / t反演。这样网络只需学一个物理量收敛更快。import torch import torch.nn as nn class ResidualBlock(nn.Module): def __init__(self, ch): super().__init__() self.conv nn.Sequential( nn.Conv2d(ch, ch, 3, padding1), nn.ReLU(inplaceTrue), nn.Conv2d(ch, ch, 3, padding1), ) def forward(self, x): return x self.conv(x) # 残差连接缓解梯度消失 class SmokeNet(nn.Module): def __init__(self, base32): super().__init__() self.enc1 ResidualBlock(base) self.enc2 ResidualBlock(base * 2) self.enc3 ResidualBlock(base * 4) self.pool nn.MaxPool2d(2) self.up nn.Upsample(scale_factor2, modebilinear, align_cornersFalse) self.dec2 ResidualBlock(base * 2) self.dec1 ResidualBlock(base) self.head nn.Conv2d(base, 1, 1) # 输出单通道透射率 def forward(self, x): e1 self.enc1(x) e2 self.enc2(self.pool(e1)) e3 self.enc3(self.pool(e2)) d2 self.dec2(self.up(e3) e2) d1 self.dec1(self.up(d2) e1) return torch.sigmoid(self.head(d1)) # t 约束到 (0,1)逻辑说明sigmoid把透射率压到 0~1符合物理意义。跳跃连接用相加而非拼接是为了控制显存灰度图本身信息量小拼接带来的增益不明显。base32在 1080p 输入下显存约 4~6GB单卡可训。3. 训练策略与损失函数怎么调3.1 复合损失L1 打底SSIM 保结构透射率监督加速收敛只用 L1 会导致结果偏模糊火场里结构门框、通道边缘必须保住。我一般用三项加权import torch.nn.functional as F def ssim_loss(pred, target, window11): # 简化版 SSIM用平均池化近似局部均值 mu_p F.avg_pool2d(pred, window, 1, window // 2) mu_t F.avg_pool2d(target, window, 1, window // 2) var_p F.avg_pool2d(pred ** 2, window, 1, window // 2) - mu_p ** 2 var_t F.avg_pool2d(target ** 2, window, 1, window // 2) - mu_t ** 2 cov F.avg_pool2d(pred * target, window, 1, window // 2) - mu_p * mu_t c1, c2 0.01 ** 2, 0.03 ** 2 ssim ((2 * mu_p * mu_t c1) * (2 * cov c2)) / \ ((mu_p ** 2 mu_t ** 2 c1) * (var_p var_t c2)) return 1 - ssim.mean() def total_loss(pred_t, gt_t, pred_img, gt_img): l1 F.l1_loss(pred_img, gt_img) l_ssim ssim_loss(pred_img, gt_img) l_t F.l1_loss(pred_t, gt_t) # 透射率直接监督 return l1 0.5 * l_ssim 0.3 * l_t逻辑说明pred_img是用预测透射率反演出的无烟图gt_img是干净图。l_t让网络在早期就学到透射率分布避免只优化最终图像导致透射率乱跳。权重0.5和0.3是经验值SSIM 权重过高会让画面过锐、出现伪影。参数建议window11是 SSIM 标准窗口。如果显存紧张把 SSIM 换成1 - 余弦相似度也能用但结构保持会弱一些。3.2 学习率、epoch 与早停的实操参数灰度去烟数据量通常不大合成几千到几万对训练容易过拟合。我一般这样设优化器 Adam初始学习率2e-4每 20 个 epoch 乘 0.5batch size 8~16取决于输入分辨率256x256 可到 16512x512 用 8epoch 80~120配合早停验证集 L1 连续 10 个 epoch 不降就停数据增强只做水平翻转和随机裁剪不做颜色抖动灰度图没有颜色注意不要用彩色去烟常用的「随机加雾」增强灰度域加雾和加烟在数值上无法区分会让网络学混。3.3 训练不收敛时先查这三处第一检查透射率标签是否被裁剪到 0.05 以下又被反演导致J爆炸。第二确认输入归一化到[0,1]灰度图常被误当[0,255]直接喂进去。第三看损失里l_t是否远大于l1如果是说明透射率监督权重过大网络只顾拟合t而忽略最终图像质量把0.3降到0.1再试。4. 推理部署与浓烟场景的边界处理4.1 从透射率反演无烟图的数值稳定写法推理时最容易踩的坑是t接近 0 导致除零。工业部署里我一般加一个下限并做引导滤波平滑import cv2 import numpy as np def recover_gray(smoky_gray, t_pred, A0.9, t_min0.1): 由含烟灰度图和预测透射率反演无烟图 I smoky_gray.astype(np.float32) / 255.0 t np.clip(t_pred, t_min, 1.0) # 引导滤波用含烟图做引导平滑透射率保留边缘 t_refined cv2.ximgproc.guidedFilter( guide(I * 255).astype(np.uint8), src(t * 255).astype(np.uint8), radius32, eps1e-3 ).astype(np.float32) / 255.0 J (I - A * (1 - t_refined)) / t_refined return (np.clip(J, 0, 1) * 255).astype(np.uint8)逻辑说明t_min0.1是硬下限防止浓烟区反演溢出。引导滤波用含烟图当引导是因为烟边缘和图像边缘高度重合滤波后透射率不会在物体边界处突变。radius32适合 1080p小图按比例缩小。参数建议A在推理时不要用训练时的随机值取验证集上使 PSNR 最高的固定值通常 0.85~0.95。4.2 浓烟区该不该强行去烟浓烟区t往往低于 0.1此时反演出来的像素基本是噪声放大。强行去烟会得到一片雪花。我的做法是设一个阈值t_thresh0.15低于它的区域不做反演直接输出原图并标记为「不可恢复区」交给上层做告警或切换红外通道。透射率区间处理策略输出t 0.6正常反演清晰无烟图0.15 t ≤ 0.6反演 引导滤波可读图t ≤ 0.15不反演原图 不可恢复标记4.3 边缘设备上的量化与推理加速消防机器人算力有限常见做法是训练后做 INT8 量化。PyTorch 动态量化对卷积层收益明显import torch.quantization as tq model.eval() qmodel tq.quantize_dynamic( model, {torch.nn.Conv2d}, dtypetorch.qint8 ) # 导出后单帧 512x512 推理约 15~25ms视 CPU 而定逻辑说明只量化Conv2d因为激活函数和上采样对精度敏感量化后 PSNR 掉得少。动态量化不需要校准数据集适合快速上线。如果掉点超过 1dB改用静态量化并准备 200 张校准图。注意量化后务必用同一批测试图对比 PSNR/SSIM灰度去烟对量化误差比彩色任务更敏感因为单通道没有冗余。5. 用 PSNR 之外的三类指标验证去烟效果PSNR 在灰度去烟里经常骗人烟去掉但结构糊了PSNR 可能还很高。我一般补三类验证。第一结构相似度 SSIM重点看边缘区域把图像分成烟区和非烟区分别算。第二透射率误差 MAE直接衡量物理量预测准不准比图像指标更早暴露问题。第三下游任务指标——把去烟图送进目标检测器看召回率提升多少这是最贴近落地的验证。from skimage.metrics import structural_similarity as ssim import numpy as np def eval_pair(pred, gt, t_pred, t_gt): psnr 10 * np.log10(1.0 / np.mean((pred - gt) ** 2)) s ssim(pred, gt, data_range1.0) t_mae np.mean(np.abs(t_pred - t_gt)) return {psnr: psnr, ssim: s, t_mae: t_mae}逻辑说明data_range1.0对应归一化后的灰度图。t_mae低于 0.05 说明透射率预测已经可用此时再调图像损失收益递减。一个具体技巧把测试集按beta分档薄烟 0.6~1.2、中烟 1.2~1.8、浓烟 1.8~2.5分别报告指标。很多模型薄烟 PSNR 35浓烟直接掉到 22只看平均值会掩盖这个断层。分档后你会清楚知道模型能不能上真实火场——浓烟档 SSIM 低于 0.7 的建议先别部署回去补浓烟合成数据或加对抗训练。本文还有配套的精品资源点击获取
