Windows下复现CVPR2019低光照增强EnlightenGAN：从环境配置到预测避坑全记录
Windows平台复现EnlightenGAN低光照增强实战指南
引言
低光照图像增强一直是计算机视觉领域的重要研究方向。2019年CVPR会议上提出的EnlightenGAN以其无需配对监督的创新训练方式，成为该领域的标志性工作之一。对于大多数使用Windows系统的研究者和开发者来说，在本地环境复现这一经典算法面临着诸多挑战。本文将系统性地介绍在Windows 11环境下完整复现EnlightenGAN预测流程的详细步骤，特别针对Windows平台特有的环境配置、依赖安装和常见错误提供解决方案。
不同于Linux环境，Windows系统在路径处理、多进程管理和CUDA配置等方面存在显著差异，这导致许多研究者在复现过程中遇到各种"坑"。本文将从Anaconda虚拟环境搭建开始，逐步讲解权重文件配置、依赖安装、可视化工具设置等关键环节，最后提供完整的预测流程和效果验证方法。每个步骤都经过实际验证，确保在Windows平台的可复现性。
1. 环境准备与依赖安装
1.1 创建Anaconda虚拟环境
为避免与系统已有Python环境冲突，建议使用Anaconda创建独立的虚拟环境。以下是具体步骤：
conda create -n enlightengan python=3.7 conda activate enlightengan选择Python 3.7版本是因为其与PyTorch 1.x系列的兼容性最佳，而EnlightenGAN原始代码基于较早期的PyTorch版本开发。
1.2 PyTorch与CUDA配置
EnlightenGAN需要GPU加速，因此必须正确安装CUDA版本的PyTorch。根据显卡驱动版本选择对应的PyTorch版本：
| CUDA版本 | PyTorch安装命令 |
|---|---|
| CUDA 11.3 | conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch |
| CUDA 10.2 | conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=10.2 -c pytorch |
安装完成后，可通过以下命令验证CUDA是否可用：
import torch print(torch.cuda.is_available()) # 应输出True print(torch.version.cuda) # 显示CUDA版本1.3 安装其他依赖
EnlightenGAN需要以下关键依赖包：
pip install visdom dominate torchfile scikit-image opencv-python特别注意：
- visdom版本建议使用0.1.8.9，较新版本可能存在兼容性问题
- scikit-image版本不宜过高，推荐0.15.x系列
2. 代码与权重文件配置
2.1 获取源代码与预训练模型
从官方GitHub仓库克隆代码：
git clone https://github.com/VITA-Group/EnlightenGAN.git cd EnlightenGAN需要下载两个关键权重文件：
- VGG预训练模型：
vgg16.weight，放置于./models/目录 - EnlightenGAN预训练权重：
200_net_G_A.pth，放置于./checkpoints/enlightening/目录
2.2 测试数据准备
在项目根目录创建test_dataset文件夹，内部结构如下：
test_dataset/ ├── testA/ # 放置待增强的低光照图像 └── testB/ # 至少放置一张任意图像（内容无关）注意：testB目录必须存在且至少包含一张图像，这是代码中的硬性要求
3. Windows特有配置修改
3.1 解决多进程启动问题
Windows与Linux在进程创建机制上存在差异，需修改predict.py文件：
if __name__ == '__main__': # 原有预测代码移动到此块内 opt = TestOptions().parse() # ...其余预测代码...3.2 路径处理调整
Windows使用反斜杠作为路径分隔符，需检查所有文件路径操作：
- 将
script.py中的../final_dataset改为./final_dataset - 确保所有
os.path.join()调用正确处理路径拼接
3.3 显存优化配置
针对CUDA内存不足问题，可采取以下措施：
# 在predict.py开头添加 import os os.environ['CUDA_VISIBLE_DEVICES'] = '0' # 指定使用哪块GPU # 减小batch size opt.batchSize = 1 # 原值可能是4或更大4. 可视化工具Visdom配置
4.1 加速Visdom启动
Visdom默认会下载前端资源，可通过以下方式跳过：
- 找到
visdom包的安装位置（通常在Anaconda3/envs/[环境名]/Lib/site-packages/visdom） - 修改
server.py文件，注释掉download_scripts()调用
4.2 静态资源本地化
将Visdom的静态资源文件放置在正确位置：
- 从社区获取预编译的静态资源包
- 解压到
visdom/static/目录，覆盖原有文件
4.3 启动Visdom服务
python -m visdom.server -port=8097验证服务是否正常运行：浏览器访问http://localhost:8097
5. 执行预测与结果验证
5.1 运行预测脚本
在激活的虚拟环境中执行：
python scripts/script.py --predict成功运行后，终端将显示处理进度：
Processing image: 1/10 [10%] ... Processing image: 10/10 [100%]5.2 结果查看与评估
增强后的图像保存在：
./results/enlightening/test_200/images/目录中包含两种文件：
*_real_A.png：原始低光照图像*_fake_B.png：增强后的图像
典型的质量评估指标：
- 主观评价：观察增强后图像的细节保留和噪声水平
- 客观指标：
- PSNR（峰值信噪比）
- SSIM（结构相似性）
- NIQE（自然图像质量评估）
提示：虽然原始论文采用无监督训练，但如果有配对数据，可以使用上述指标进行量化评估
6. 常见问题解决方案
6.1 CUDA内存不足
现象：RuntimeError: CUDA out of memory
解决方案：
- 减小
batchSize（在script.py中修改） - 降低输入图像分辨率
- 添加以下代码释放缓存：
torch.cuda.empty_cache()6.2 Visdom连接失败
现象：ConnectionError: HTTPConnectionPool
检查步骤：
- 确认visdom服务已启动
- 检查
script.py中的--port参数与visdom启动端口一致 - 尝试关闭防火墙或杀毒软件
6.3 多进程相关错误
现象：RuntimeError: An attempt has been made to start a new process...
确保：
- 所有多进程代码都包含在
if __name__ == '__main__':块中 - 在Windows上使用
spawn而非fork作为多进程启动方法
7. 扩展应用与优化
7.1 处理自定义数据集
要处理自己的低光照图像集：
- 将图像放入
test_dataset/testA/目录 - 保持
testB/目录结构不变 - 调整
script.py中的相关路径参数
7.2 批量处理优化
对于大量图像，可考虑以下优化：
# 修改script.py中的预测循环 for i, img_path in enumerate(image_paths): if i % 10 == 0: # 每处理10张清理一次缓存 torch.cuda.empty_cache() # ...原有处理代码...7.3 结果后处理
增强后的图像可能需要进行：
- 亮度/对比度微调
- 降噪处理（如BM3D算法）
- 锐化增强
import cv2 # 示例：对比度增强 result = cv2.convertScaleAbs(fake_B, alpha=1.2, beta=0)在实际项目中，EnlightenGAN的增强结果通常作为预处理步骤，后续可能还需要结合具体应用场景进行针对性优化。例如，在监控视频分析中，可以配合时序信息进行稳定性处理；在医学图像领域，则需要特别注意避免引入伪影。