企业官网建设流程全解析

• 媒体生成
• 计算机视觉
• 深度学习
• 人工智能
• 大模型

本文以 MMagic 仓库中tools/dataset_converters/dpdd/README_zh-CN.md为核心，系统讲解 DPDD（Dense Per-pixel Defocus Deblurring）测试数据集的下载方式、目录结构与配置要点，并结合仓库内的 Restormer 失焦去模糊配置文件（单像素与双像素两种任务）说明该数据集在 MMagic 推理测试流程中的实际组织方式。读完本文，你将掌握在本地正确摆放 DPDD 数据集、并通过tools/test.py复现 Restormer (CVPR'2022) 失焦去模糊评测的完整操作路径。

DPDD 数据集是什么

DPDD（Dense Per-pixel Defocus Deblurring）是失焦去模糊（Defocus Deblurring）领域的标准测试数据集，常用于评估模型在散焦模糊场景下的复原能力。在 MMagic 中，它被 Restormer 的官方评测配置 restormer_official_dpdd-single.py 与 restormer_official_dpdd-dual.py 所引用，对应论文为：

@inproceedings{Zamir2021Restormer, title={Restormer: Efficient Transformer for High-Resolution Image Restoration}, author={Syed Waqas Zamir and Aditya Arora and Salman Khan and Munawar Hayat and Fahad Shahbaz Khan and Ming-Hsuan Yang}, booktitle={CVPR}, year={2022} }

该数据集由左右双视角（dual-pixel）图像对构成，这也是 DPDD 目录中出现inputL与inputR两个输入子目录的原因：双像素（dual-pixel）相机传感器可以同时捕获两个略有视差的模糊视图，利用这一线索有助于恢复更高质量的清晰图像。

下载测试数据集

MMagic 官方说明中，DPDD 测试数据集从 Google Drive 下载，链接为：

https://drive.google.com/file/d/1dDWUQ_D93XGtcywoUcZE1HOXCV4EuLyw/

注意：该下载链接来自仓库文档原文（README_zh-CN.md）。由于访问 Google Drive 需要稳定的网络环境，在国内或受限网络下可能需要代理工具辅助下载。下载完成后得到的是压缩包，请解压后按下一节的目录结构进行摆放。

下载解压后，数据集应放置于仓库根目录下的data/DPDD文件夹中。仓库文档明确要求：data目录与mmagic、tools、configs平级，位于项目根目录下。

标准目录结构（必须严格遵循）

将数据集解压并摆放后，data/DPDD目录下应包含以下内容：

mmagic ├── mmagic ├── tools ├── configs ├── data │ ├── DPDD │ │ ├── inputL │ │ ├── inputR │ │ ├── inputC │ │ ├── target │ │ ├── indoor_labels.npy │ │ ├── indoor_labels.txt │ │ ├── outdoor_labels.npy │ │ └── outdoor_labels.txt

各子目录与文件的作用说明如下：

需要特别说明的是.npy与.txt两种格式的差异：.txt标注文件是 MMagic 数据管线实际读取的样本清单，而.npy文件是数据集原始发布时自带的 numpy 格式索引，两者内容对应同一批样本。在 MMagic 配置中，真正被ann_file参数引用的是.txt文件。

配置如何消费这套目录结构

DPDD 目录结构并非随意设计，它与 configs/base/datasets/deblurring-defocus_test_config.py 中的数据前缀映射一一对应。该基础配置中，数据根目录被定义为：

dpdd_data_root = 'data/DPDD'

即相对于仓库根目录的data/DPDD路径，这也解释了为什么文档要求将数据集解压到该位置。随后，配置通过data_prefix将输入目录映射到数据管线中的键名：

data_prefix=dict( img='inputC', imgL='inputL', imgR='inputR', gt='target'),

映射关系可以理解为：

• img（中心合成输入）→data/DPDD/inputC
• imgL（左视角输入）→data/DPDD/inputL
• imgR（右视角输入）→data/DPDD/inputR
• gt（清晰参考）→data/DPDD/target

对应的ann_file参数分别引用indoor_labels.txt与outdoor_labels.txt，将 DPDD 划分为室内（Indoor）与室外（Outdoor）两个评测子集，并额外合并出一个 Combined（全部样本）评测集合：

dpdd_indoor_dataloader = dict( ... dataset=dict( type='BasicImageDataset', metainfo=dict(dataset_type='DPDD-Indoor', task_name='deblurring'), data_root=dpdd_data_root, data_prefix=dict( img='inputC', imgL='inputL', imgR='inputR', gt='target'), ann_file='indoor_labels.txt', pipeline=test_pipeline))

三个 dataloader（Indoor / Outdoor / Combined）配合MultiTestLoop与三组评估器（MAE、PSNR、SSIM，见 deblurring-defocus_test_config.py）共同完成一次完整评测，最终分别输出DPDD-Indoor、DPDD-Outdoor、DPDD-Combined三组指标。

单像素与双像素两种评测模式

DPDD 目录之所以同时包含inputC、inputL、inputR，是因为 MMagic 为 Restormer 提供了两种失焦去模糊评测模式：

单像素模式（Single）

配置 restormer_official_dpdd-single.py 中，模型以 3 通道中心图inputC作为唯一输入：

model = dict( type='BaseEditModel', generator=dict( type='Restormer', inp_channels=3, out_channels=3, dim=48, num_blocks=[4, 6, 6, 8], num_refinement_blocks=4, heads=[1, 2, 4, 8], ffn_expansion_factor=2.66, bias=False, LayerNorm_type='WithBias', dual_pixel_task=False), pixel_loss=dict(type='L1Loss', loss_weight=1.0, reduction='mean'), data_preprocessor=dict( type='DataPreprocessor', mean=[0., 0., 0.], std=[255., 255., 255.], ))

关键点在于inp_channels=3与dual_pixel_task=False，即只利用中心视角的模糊图进行去模糊。

双像素模式（Dual）

配置 restormer_official_dpdd-dual.py 则在此基础上做了两处关键修改：

# modify PackInputs test_dataloader = _base_.test_dataloader for dataloader in test_dataloader: test_pipeline = dataloader['dataset']['pipeline'] test_pipeline[4] = dict(type='PackInputs', keys=['imgL', 'imgR']) # model settings model = dict( generator=dict(inp_channels=6, dual_pixel_task=True), data_preprocessor=dict(type='DataPreprocessor'))

• PackInputs的打包键从默认改为['imgL', 'imgR']，即同时打包左右双视角图像；
• 生成器输入通道改为inp_channels=6（左右两图各 3 通道拼接），并开启dual_pixel_task=True。

这一改动对应网络实现 restormer_net.py 中的逻辑：当dual_pixel_task=True时，网络在前向传播中按dual_keys=['imgL', 'imgR']取出两幅图像并在通道维度拼接（torch.cat(dual_images, dim=1)），再送入编码器；同时解码路径使用skip_conv引入跳跃连接，与单像素模式（output + inp_img残差输出）的路径不同。从源码注释看，dual_pixel_task专门为 dual-pixel 失焦去模糊设计（"True for dual-pixel defocus deblurring only. Also set inp_channels=6"）。

验证数据集摆放是否正确的自查清单

完成下载与解压后，可以按以下步骤快速自查：

1. 路径检查：确认data/DPDD位于仓库根目录（与configs、tools、mmagic平级）；
2. 目录完整性：确认inputL、inputR、inputC、target四个子目录都存在且非空；
3. 标签文件检查：确认indoor_labels.txt与outdoor_labels.txt存在，且文件内每一行对应一个样本的路径（相对data/DPDD）；
4. 内容抽查：随机选取indoor_labels.txt中的一行样本名，检查inputC、inputL、inputR、target四个子目录下均存在同名文件，保证四路输入对齐。

之后即可运行 Restormer 的失焦去模糊评测，例如单 GPU 测试：

# 单像素模式评测 python tools/test.py configs/restormer/restormer_official_dpdd-single.py \ https://download.openmmlab.com/mmediting/restormer/restormer_official_dpdd-single-6bc31582.pth # 双像素模式评测 python tools/test.py configs/restormer/restormer_official_dpdd-dual.py \ https://download.openmmlab.com/mmediting/restormer/restormer_official_dpdd-dual-52c94c00.pth

多卡测试则使用仓库自带的分布式脚本 tools/dist_test.sh（用法参考 configs/restormer/README_zh-CN.md 与 docs/zh_cn/user_guides/train_test.md）。测试完成后，评估器会分别输出 Indoor、Outdoor 与 Combined 三组 PSNR/SSIM/MAE 指标，与 configs/restormer/metafile.yml 中记录的官方结果（如单像素 Indoor 28.8681 / Outdoor 23.2410 / Combined 25.9805）进行对照。

小结

DPDD 数据集的准备本质上是三件事：下载官方测试压缩包 → 解压至data/DPDD→ 保持inputL、inputR、inputC、target及两组标签文件的结构不变。该结构与 deblurring-defocus_test_config.py 的data_prefix映射严格对应，任何目录改名或层级变动都会导致数据加载失败。准备就绪后，通过 restormer_official_dpdd-single.py 与 restormer_official_dpdd-dual.py 即可一键复现单像素与双像素两种失焦去模糊评测。

• 媒体生成
• 计算机视觉
• 深度学习
• 人工智能
• 大模型