Restormer 去雨（Deraining）任务代码运行全流程
本文将系统梳理基于 Restormer 模型实现图像去雨（Deraining）任务的完整流程，涵盖代码执行逻辑、核心文件架构及关键操作步骤，为实验的理解与复现提供清晰指引。若需获取适配新版环境的 Restormer 配置教程（含避坑要点），可参考链接：https://blog.csdn.net/m0_73969619/article/details/155617054?spm=1001.2014.3001.5501
一、核心运行指令解析
执行去雨任务的核心启动指令如下：
cd Restormer ./train.sh Deraining/Options/Deraining_Restormer.yml该指令的本质是调用训练主程序并传入配置参数，等价于直接运行：
python basicsr/train.py -opt Deraining/Options/Deraining_Restormer.yml其中train.sh是封装好的启动脚本，仅用于简化指令执行；所有训练所需的参数（如数据集路径、模型超参数、训练轮次等）均定义在Deraining/Options/Deraining_Restormer.yml配置文件中，最终实际运行的是basicsr/train.py训练主程序。
二、核心文件夹结构说明
1. basicsr 文件夹（核心代码目录）
该文件夹包含模型训练、测试的核心逻辑及网络架构定义，关键文件 / 子文件夹如下：
train.py：模型训练主程序，负责加载配置、构建网络、执行训练流程，最终生成预训练的.pth模型文件。test.py：模型测试主程序，训练完成后用于执行标准评估流程，加载预训练模型对测试集图像进行去雨处理。models/archs/restormer_arch.py：Restormer 网络架构实现文件，严格复现论文中提出的 Restormer 网络结构，是模型的核心组成部分。
2. experiments 文件夹（训练结果存储目录）
该文件夹与basicsr文件夹同级，训练过程中自动生成，用于保存训练相关结果，以去雨任务为例：
Deraining_Restormer/models：存放不同迭代次数下生成的.pth模型文件（如每 1000 轮保存一次模型）。Deraining_Restormer/training_states：保存训练状态信息（如当前迭代数、优化器参数、学习率等），用于中断后恢复训练，避免从头开始训练。
3. Deraining 文件夹（去雨任务专属目录）
该文件夹包含去雨任务的数据集、预训练模型、测试结果及评估脚本，具体如下：
Datasets：存放去雨任务的训练 / 测试数据集，目录结构：Datasets/ ├── train/ │ └── Rain13K/ # 训练数据集 │ ├── input/ # 带雨图像 │ └── target/ # 无雨标签图像 └── test/ # 测试数据集 ├── Rain100H ├── Rain100L ├── Test100 ├── Test1200 └── Test2800download_data.py：数据集下载脚本，内置各数据集的下载链接，可通过该脚本自动下载上述训练 / 测试数据集。pretrained_models：预训练模型存放目录，可存放官方提供的预训练模型（如deraining.pth）或自己训练得到的.pth模型。results：测试结果存储目录，需手动创建，用于存放test.py运行后生成的去雨修复图像。evaluate_PSNR_SSIM.m：MATLAB 评估脚本，用于计算去雨后的图像（Deraining/results/下）与原始无雨图像（Deraining/Datasets/test/下）的 PSNR 和 SSIM 指标（需根据实际路径调整脚本中的文件路径）。test.py：去雨任务专属测试脚本，加载预训练模型，读取Deraining/Datasets/test下的带雨测试图像，执行去雨处理后，将修复图像保存至Deraining/results目录。
三、完整代码运行流程
1. 模型训练流程
# 1. 进入项目根目录 cd Restormer # 2. 激活conda环境（根据实际环境名称调整） conda activate pytorch118 # 3. 执行训练脚本，生成预训练模型 ./train.sh Deraining/Options/Deraining_Restormer.yml核心目标：完成模型训练，在experiments/Deraining_Restormer/models下生成预训练.pth文件。
2. 模型测试与评估流程
# 1. 进入项目根目录 cd Restormer # 2. 激活conda环境 conda activate pytorch118 # 3. 执行测试脚本，生成去雨修复图像（保存至Deraining/results） python test.py # 4. 运行MATLAB脚本，计算PSNR/SSIM评估指标 matlab -nodisplay -batch "evaluate_PSNR_SSIM"核心目标：第一步生成去雨修复图像，第二步计算修复图像与真实无雨图像的 PSNR/SSIM，完成模型性能评估。
注意：所有涉及文件路径的地方（如evaluate_PSNR_SSIM.m中的图像路径），需根据本地实际存储路径调整。