# Restormer FGP 改进说明

本文档总结当前低光照去雨任务中，基于原始 Restormer baseline 所做的网络、训练、验证和日志保存改进。

## 1. 总体变化

原始版本：

```text
Restormer
RGB input
  -> Restormer Encoder-Decoder
  -> RGB output
Loss: L1
Val: 每个 epoch 测试
Checkpoint: 每个 epoch 保存
```

当前改进版：

```text
RestormerLowLightRain / FGP-Restormer
RGB input
  -> illumination / structure / frequency prior extraction
  -> multi-scale prior encoder
  -> soft/hard mixture-of-frequency experts
  -> global-local degradation router
  -> Restormer Encoder-Decoder with multi-scale prior fusion
  -> RGB output
Loss: Charbonnier + Edge + FFT
Val: 每 5 epoch 测试
Checkpoint: 每 5 epoch 保存，best 单独保存
Metrics: metrics.csv 逐 epoch 记录
```

对应核心文件：

- `net/restormer_lowlight_rain.py`：网络结构改进。
- `train_restormer.py`：训练、loss、EMA、验证、日志保存。
- `utils/inference_utils.py`：验证阶段 padding、crop、PSNR、TTA。
- `run_restormer_fgp.sh`：当前 FGP 版本启动脚本。

## 2. 网络结构改进

### 2.1 从原始 Restormer 改到 FGP-Restormer

从：

```text
Restormer()
```

改到：

```text
RestormerLowLightRain()
```

训练入口中通过参数选择：

```bash
--model fgp_restormer
```

对应代码位置：

```text
train_restormer.py
build_model()
```

原始 Restormer 只使用 RGB 图像本身作为输入特征，当前版本在 Restormer 主干之外增加了一个先验分支，用于显式建模低光照和雨纹退化。

## 3. 先验提取改进

### 3.1 从单纯 RGB 输入改到五类退化先验

从：

```text
RGB input only
```

改到：

```text
RGB input
  -> luminance
  -> darkness
  -> high-frequency response
  -> structure edge response
  -> rain residual
```

对应模块：

```text
net/restormer_lowlight_rain.py
PriorMapExtractor
```

具体五类先验：

| 先验 | 作用 |
|---|---|
| `luminance` | 表示亮度分布，用于低光照恢复 |
| `darkness` | 表示暗区域强度，引导曝光/照明增强 |
| `high` | Laplacian 高频响应，用于捕捉雨纹和细节 |
| `structure` | Sobel 边缘结构，用于保护物体轮廓 |
| `rain_residual` | `luminance - low_frequency` 的正残差，用于突出局部雨纹/亮 streak |

原始 Restormer 没有显式区分低频照明和高频雨纹；当前版本把低光和去雨拆成不同先验，更符合低光照去雨的退化特性。

## 4. 多尺度先验编码

### 4.1 从无先验分支改到 MultiPriorEncoder

从：

```text
RGB -> patch_embed -> encoder
```

改到：

```text
RGB -> PriorMapExtractor -> MultiPriorEncoder
                             -> prior_1  H x W
                             -> prior_2  H/2 x W/2
                             -> prior_3  H/4 x W/4
                             -> prior_4  H/8 x W/8
```

对应模块：

```text
net/restormer_lowlight_rain.py
MultiPriorEncoder
```

这让先验可以在 Restormer 的 4 个 encoder scale 上逐层注入，而不是只在输入层简单拼接。

## 5. 频率专家 MoE 改进

### 5.1 从单一特征变换改到 Mixture-of-Frequency Experts

从：

```text
main feature -> conv/attention -> output feature
```

改到：

```text
main feature
  -> low-frequency expert
  -> high-frequency expert
  -> structure expert
  -> router selects / blends experts
  -> expert feature
```

对应模块：

```text
net/restormer_lowlight_rain.py
FrequencyExpertMixer
```

三个专家分别负责：

| Expert | 作用 |
|---|---|
| Low-frequency expert | 处理低光照、曝光、照明不均 |
| High-frequency expert | 处理雨纹、高频退化、细节恢复 |
| Structure expert | 处理边缘、轮廓、结构保持 |

### 5.2 从统一 soft 路由改到浅层 soft + 深层 hard 路由

从：

```text
所有层使用同一种融合方式
```

改到：

```text
浅层 encoder: soft expert routing
深层 encoder / latent: hard expert routing
```

对应代码：

```text
RestormerLowLightRain.__init__()

fuse1 = FrequencyPriorFusion(..., hard_expert=False)
fuse2 = FrequencyPriorFusion(..., hard_expert=False)
fuse3 = FrequencyPriorFusion(..., hard_expert=True)
fuse4 = FrequencyPriorFusion(..., hard_expert=True)
```

设计动机：

- 浅层特征保留更多低级纹理和退化线索，适合 soft routing。
- 深层特征更接近语义和重建决策，适合 hard routing 强化专家分工。

这个设计参考了近期 all-in-one restoration / adverse weather restoration 中的 MoE routing 思路。

## 6. Global-Local Router 改进

### 6.1 从普通 concat fusion 改到全局-局部动态路由

从：

```text
concat(main_feat, prior_feat) -> conv -> residual add
```

改到：

```text
main_feat + prior_feat
  -> global degradation router   -> channel gate
  -> local weather/texture router -> spatial mask
  -> global-local gate
  -> gated prior fusion
```

对应模块：

```text
net/restormer_lowlight_rain.py
GlobalLocalRouter
FrequencyPriorFusion
```

其中：

- `global_router` 通过全局平均池化感知整图退化类型，例如整体低光、整体雨强。
- `local_router` 通过卷积生成局部空间 mask，关注局部雨纹、边缘、暗区。

这样可以同时处理：

- 全局低光照问题。
- 局部雨纹/高频 streak。
- 结构边缘恢复。

## 7. 多尺度融合方式

### 7.1 从 Restormer 原始 encoder 改到 encoder 每层注入先验

从：

```text
out_enc_level1 = encoder_level1(inp_enc_level1)
out_enc_level2 = encoder_level2(inp_enc_level2)
out_enc_level3 = encoder_level3(inp_enc_level3)
latent         = latent(inp_enc_level4)
```

改到：

```text
out_enc_level1 = encoder_level1(inp_enc_level1)
out_enc_level1 = fuse1(out_enc_level1, prior_1)

out_enc_level2 = encoder_level2(inp_enc_level2)
out_enc_level2 = fuse2(out_enc_level2, prior_2)

out_enc_level3 = encoder_level3(inp_enc_level3)
out_enc_level3 = fuse3(out_enc_level3, prior_3)

latent = latent(inp_enc_level4)
latent = fuse4(latent, prior_4)
```

这样主干仍然是 Restormer，但每个 scale 都受到低光/雨纹/结构先验引导。

## 8. 训练数据改进

### 8.1 从依赖旧 DataLoader 改到显式 paired dataset

从：

```text
get_training_data(opt.TRAINING.TRAIN_DIR, ...)
```

改到：

```text
PairedPatchDataset(
  train_inp = ./dataset/train/syn+real/input,
  train_tar = ./dataset/train/syn+real/target
)
```

对应代码：

```text
train_restormer.py
PairedPatchDataset
```

当前训练集明确为：

```text
/media/home/songmeixi_insta360.com/Low_light_rainy_new/dataset/train/syn+real/input
 ->
/media/home/songmeixi_insta360.com/Low_light_rainy_new/dataset/train/syn+real/target
```

不使用：

```text
dataset/train/syn+real/target_smoke
```

这样可以避免 smoke 任务和低光照去雨任务混杂。

## 9. Loss 改进

### 9.1 从 L1 Loss 改到 Charbonnier + Edge + FFT Loss

从：

```text
loss = L1(output, target)
```

改到：

```text
loss = Charbonnier(output, target)
     + edge_weight * L1(edge(output), edge(target))
     + fft_weight  * L1(FFT_amp(output), FFT_amp(target))
```

对应代码：

```text
train_restormer.py
RestorationLoss
```

启动参数：

```bash
--loss_mode charbonnier_edge_fft
```

各项作用：

| Loss | 作用 |
|---|---|
| Charbonnier | 比 L1 更平滑，常用于图像复原 |
| Edge loss | 保持边缘和结构，减少去雨后的模糊 |
| FFT loss | 约束频率幅度，提升高频细节和雨纹去除一致性 |

## 10. EMA 改进

### 10.1 从直接验证当前权重改到 EMA 权重验证

从：

```text
validate(model)
```

改到：

```text
ema.update(model)
validate(ema_model)
```

对应代码：

```text
train_restormer.py
ModelEma
```

启动参数：

```bash
--use_ema
```

EMA 可以降低训练震荡，让验证 PSNR 更稳定。

## 11. 验证协议改进

### 11.1 从直接整图推理改到 factor-8 padding + crop

从：

```text
output = model(input)
psnr = PSNR(output, target)
```

改到：

```text
padded_input = pad_to_factor(input, factor=8)
output = model(padded_input)
output = crop_to_original_size(output)
output = clamp(output, 0, 1)
psnr = RGB_PSNR(output, target)
```

对应代码：

```text
utils/inference_utils.py
pad_to_factor
crop_to_size
run_model
batch_rgb_psnr
```

Restormer 有多次 downsample/upsample，factor-8 padding 可以避免尺寸不能被 8 整除时的潜在问题。

### 11.2 从每个 epoch 测试改到每 5 epoch 测试

从：

```bash
--val_every 1
```

改到：

```bash
--val_every 5
```

这样减少测试时间开销，适合长时间训练。

## 12. Checkpoint 保存改进

### 12.1 从每个 epoch 保存改到每 5 epoch 保存

从：

```text
model_1.pth
model_2.pth
model_3.pth
...
```

改到：

```text
model_5.pth
model_10.pth
model_15.pth
...
model_best.pth
```

对应参数：

```bash
--save_every 5
```

说明：

- `model_{epoch}.pth`：每 5 个 epoch 保存一次。
- `model_best.pth`：只要验证 PSNR 创新高就保存。

## 13. 指标记录改进

### 13.1 从只打印终端改到保存 metrics.csv

从：

```text
terminal only:
Epoch loss / Val PSNR
```

改到：

```text
checkpoint_restormer_fgp/Deraining/models/RestormerFGP/metrics.csv
```

字段：

```text
epoch,train_loss,lr,val_psnr,best_psnr,epoch_time,saved_checkpoint,is_best
```

对应代码：

```text
train_restormer.py
append_metrics_csv
```

说明：

- 每个 epoch 都会写一行。
- 非测试 epoch 的 `val_psnr` 为空。
- 保存普通 checkpoint 的 epoch，`saved_checkpoint=1`。
- PSNR 刷新 best 的 epoch，`is_best=1`。

## 14. 当前启动方式

当前使用：

```bash
bash run_restormer_fgp.sh
```

脚本内容等价于：

```bash
python train_restormer.py \
  --config training.yml \
  --model fgp_restormer \
  --session RestormerFGP \
  --save_dir ./checkpoint_restormer_fgp \
  --loss_mode charbonnier_edge_fft \
  --use_ema \
  --val_every 5 \
  --val_pad_factor 8 \
  --save_every 5 \
  --metrics_file metrics.csv \
  --resume ./checkpoint_restormer_fgp/Deraining/models/RestormerFGP/model_5.pth
```

## 15. 当前版本的一句话概括

当前版本从原始 Restormer 改成了一个面向低光照去雨的结构感知频率专家 Restormer：

```text
Plain Restormer
  -> Structure-aware Mixture-of-Frequency Prior Restormer
  -> Low-light / rain / structure prior guided multi-scale restoration
```

核心 novelty 可以概括为：

```text
Structure-aware Mixture-of-Frequency Prior Guidance
for Low-Light Rainy Image Restoration
```