DRSformer Rain200H 省钱推理复现笔记

论文：DRSformer: Efficient Transformer for Image Deraining (CVPR 2023)

仓库：https://github.com/cschenxiang/DRSformer

复现环境：AutoDL · RTX 3090 · PyTorch 2.1.2 + CUDA 12.1

复现日期：2026-10-12

复现模式：零训练 · 仅推理（pretrained weights）

摘要
一、复现目标与边界
- [1.1 为什么选 Rain200H 作为推理复现目标](#1.1 为什么选 Rain200H 作为推理复现目标)
- [1.2 边界说明：HQ-RAIN 权重未公开](#1.2 边界说明：HQ-RAIN 权重未公开)
二、材料准备与上传策略
- [2.1 需要上传的四件材料](#2.1 需要上传的四件材料)
- [2.2 测试集精简打包：1095 MB → 106 MB](#2.2 测试集精简打包：1095 MB → 106 MB)
- [2.3 费用控制：无卡模式上传](#2.3 费用控制：无卡模式上传)
三、环境配置与五个必踩坑
四、推理执行
- [4.1 权重路径写死的处理](#4.1 权重路径写死的处理)
- [4.2 推理命令与耗时](#4.2 推理命令与耗时)
五、评测口径与实现
- [5.1 用 Python 替代 Matlab](#5.1 用 Python 替代 Matlab)
- [5.2 官方口径核实](#5.2 官方口径核实)
六、结果与交叉验证
- [6.1 实测结果](#6.1 实测结果)
- [6.2 与官方产物逐张交叉验证](#6.2 与官方产物逐张交叉验证)
- [6.3 论文 32.17 dB 的口径结论](#6.3 论文 32.17 dB 的口径结论)
七、结论与延伸
- [7.1 三条结论](#7.1 三条结论)
- [7.2 对综述论点的实证支撑](#7.2 对综述论点的实证支撑)
- [7.3 可选延伸](#7.3 可选延伸)
[附录 A：完整命令速查](#附录 A：完整命令速查)
[附录 B：文件清单与成本](#附录 B：文件清单与成本)
[附录 C：术语速查](#附录 C：术语速查)

摘要

AutoDL 零训练复现 DRSformer（CVPR 2023）：加载官方权重，对 Rain200H 的 200 对图推理评测，GPU 耗时 96 秒、成本不足 1 元；实测 Y 通道 PSNR 30.87 dB 与作者官方输出 30.868 dB 逐张一致，论文 32.17 dB 系另一测试划分所致。

一、复现目标与边界

1.1 为什么选 Rain200H 作为推理复现目标

官方仓库公开的预训练权重覆盖五个经典基准：Rain200L、Rain200H、DID-Data、DDN-Data、SPA-Data。其中 Rain200H 兼具以下三点优势，最适合作为省钱复现的切入集：

考量维度	Rain200H 情况	说明
训练集规模	1800 对（评测只用 200 对测试图）	测试集体积小，上传快
权重体积	约 129 MB	百度网盘本地下载后上传约 5 分钟
架构依赖	默认 `DRSformer_arch.py`	无需替换架构文件

反面对照：Rain200L 与 SPA-Data 的权重在训练时未启用 MEFC 模块，必须替换架构文件，多一步操作；DID-Data 测试集 1201 张，耗时最长。

1.2 边界说明：HQ-RAIN 权重未公开

需要明确一条边界：本文笔记所依托的 TPAMI 2025 综述（Towards Unified Deep Image Deraining ）提出的 HQ-RAIN 基准，官方并未公开 DRSformer 的对应权重。HQ-RAIN 仓库只提供数据集与评测代码。

因此本次复现的目标限定为经典基准的推理结果重建，不涉及 HQ-RAIN 上的合成域冠军结论。这一限制不影响复现的方法学价值------它验证的是"官方权重 → 官方产物"这条链路是否可被完整重建。

二、材料准备与上传策略

2.1 需要上传的四件材料

文件	大小	用途
`DRSformer-main.zip`	9.6 MB	源码（含 `test.py`、架构定义、Matlab 评测脚本）
`deraining_Rain200H.pth`	129 MB	Rain200H 预训练权重
`Rain200H_test_only.zip`	105.7 MB	精简测试集（200 对）
`eval_psnr_ssim.py`	4 KB	指标评测脚本（官方 `test.py` 不算指标）

2.2 测试集精简打包：1095 MB → 106 MB

Rain200H 原始压缩包内 train（955 MB）与 test（106 MB）两部分并存，而推理阶段完全不需要训练集。上传前先在本地重打包，只保留 test 部分，上传体积压缩约 10 倍：

python 复制代码

import zipfile

src = zipfile.ZipFile(r'Rain200H.zip')
dst = zipfile.ZipFile(r'Rain200H_test_only.zip', 'w', zipfile.ZIP_DEFLATED)
for info in src.infolist():
    if info.filename.startswith('Rain200H/test/') and not info.is_dir():
        dst.writestr(info.filename, src.read(info.filename))
dst.close()

测试集内部结构为 Rain200H/test/input/*.png（200 张雨图）与 Rain200H/test/target/*.png（200 张真值），两侧文件名均为 1.png ... 200.png，与仓库默认路径天然对齐，无需重命名。

2.3 费用控制：无卡模式上传

上传期间 GPU 按量计费仍在计费。合理做法是先以无卡模式开机（约 ¥0.1/时）完成上传与解压，再关机切换正常模式跑推理。本机实测：上传 4 个文件约 10--30 分钟，无卡模式与 3090 模式之间的费用差可达数元。

三、环境配置与五个必踩坑

环境配置阶段共遇到五个问题，逐一记录根因与解法：

#	现象	根因	解法
1	`pip install` 报 `Could not find a version ... (from versions: none)`	先前执行的 `source /etc/network_turbo` 残留 `http_proxy/https_proxy`，代理劫持了国内 PyPI 镜像请求	`unset http_proxy https_proxy HTTP_PROXY HTTPS_PROXY`，或显式指定 `-i https://pypi.tuna.tsinghua.edu.cn/simple`
2	安装后被依赖解析器警告 numpy 冲突，运行时报 `compiled using NumPy 1.x cannot be run in NumPy 2.x`	`scikit-image` 连带将 numpy 升级至 2.2.6，而镜像自带 PyTorch 是按 numpy 1.x 编译的	钉回兼容版本：`pip install "numpy==1.26.4" "opencv-python-headless==4.10.0.84"`
3	`torch.cuda.is_available()` 返回 `False`	无卡模式下实例隐藏 GPU，`CUDA_VISIBLE_DEVICES` 被置空	关机后以正常模式（3090）开机；环境装在系统盘、数据在数据盘，关机不丢
4	推理进度条显示 `1/1`，只处理了 1 张图	目标目录已存在同名文件，`cp -r` 把 200 张图复制进了 `test/input/input/` 子目录，而 `test.py` 只扫描顶层	`rm -rf test/input && cp -r ../Rain200H/test/input test/input`，用 `ls test/input
5	`libgomp: Invalid value for environment variable OMP_NUM_THREADS`	镜像预设的该环境变量取值非法	`export OMP_NUM_THREADS=8`（仅消除告警，不影响结果）

第 4 条最值得记录：它不会报错，只会静默地把工作量从 200 张降到 1 张，若只看流程是否跑通而不核对张数，极易带着错误的评测结论离开。

四、推理执行

4.1 权重路径写死的处理

test.py 中的权重路径是硬编码的：

bash 复制代码

mkdir -p pretrained_models
mv deraining_Rain200H.pth pretrained_models/deraining.pth   # 必须改名为 deraining.pth

未改名会直接报 FileNotFoundError: pretrained_models/deraining.pth。

4.2 推理命令与耗时

bash 复制代码

python test.py --task Deraining --input_dir './test/input/' --result_dir './test/output/'

实测结果：

指标	数值
处理张数	200 / 200
耗时	1 分 36 秒
吞吐	2.08 it/s
输出目录	`test/output/Deraining/`

test.py 只负责把去雨结果写入磁盘，不计算任何指标 ------这是官方仓库的设计，指标需要用 evaluations/ 下的 Matlab 脚本自行评测。

以测试图 1（雪地场景）为例，去雨效果如下图所示：

五、评测口径与实现

5.1 用 Python 替代 Matlab

为免在实例上安装 Matlab，本次用 eval_psnr_ssim.py 实现官方的 Matlab 评测等价逻辑：

按文件名数字编号自动配对（1.png ↔ 1.png），无需人工对齐；
逐张计算 PSNR / SSIM，末尾输出平均值，可选写入 txt 留档；
默认 RGB 通道，--y 开关切换 Y 通道（BT.601）。

bash 复制代码

python eval_psnr_ssim.py --pred test/output/Deraining --gt ../Rain200H/test/target --out metrics_final_rgb.txt

5.2 官方口径核实

通读官方评测脚本 Evalution_Rain200L_Rain200H_SPA-Data/evaluate_PSNR_SSIM.m 后确认三点：

PSNR/SSIM 在 rgb2ycbcr 后的 Y 通道上计算；
无边界裁剪（不做 border shave）；
按目录顺序配对，与按编号配对等价。

Python 实现与 Matlab 存在约 0.1 dB 量级的差异（主要来自 YCbCr 量化范围），属正常范围。

六、结果与交叉验证

6.1 实测结果

口径	平均 PSNR	平均 SSIM
本文复现输出 · RGB	30.8078	0.9219
本文复现输出 · Y (BT.601)	30.8675	0.9237
作者官方输出 · Y (BT.601)	30.8676	0.9237
论文 Table 1	32.17	0.9330

6.2 与官方产物逐张交叉验证

为判定 32.17 与 30.87 之间约 1.36 dB 的差距成因，下载作者放出的官方视觉结果（Rain200H，200 张）并用同一脚本评测，与本文输出逐张比对：

张数一致 ：官方结果同样为 200 张，命名为 1.png ... 200.png；
均值一致：30.8676 与 30.8675，相差 0.0001 dB；
逐张一致：单图数值对齐到小数点后第三位，残差处于 PNG 编解码量化噪声量级。

该结果表明：权重加载、数据流、推理管线、评测口径全部与作者官方行为一致，本文复现为零偏差重建。

6.3 论文 32.17 dB 的口径结论

关键推论是：连作者自己放出的官方输出，在这套 200 对测试集上也只得到 30.87 dB。这说明论文 32.17 dB 并非在这套分发的测试集上测得，而是来自另一测试划分（最可能是 Yang et al. 的标准 100 对划分）或作者内部版本。

在正式引用时，两组数字必须分开标注：

本笔记实测：30.81 dB (RGB) / 30.87 dB (Y)，作者提供的 200 对扩展测试集全量；
论文报告：32.17 dB / 0.9330，论文原始测试口径。

已排除的其他假设（附验证方式）：

假设	验证方式	结论
前 100 张即标准测试集	分半统计	前半 30.85 / 后半 30.47，不成立
Y 通道口径差异	`--y` 复测	Y 相对 RGB 仅 +0.06 dB，不足以解释
评测配对错误	检查 `unmatched` 计数	200 张全部匹配，`unmatched: 0`

七、结论与延伸

7.1 三条结论

复现判定标准应当升级 ：在官方权重可直接下载的场景下，"与论文数字相差 0.1 dB 以内"并不是唯一标准，与作者官方产物逐张一致是更强的证据；本次复现达到后者（差 0.0001 dB），而前者反而不成立。
基准口径是复现报告的必要信息：同一权重、同一套测试文件，仅因论文数字所依据的划分不同，就能产生 1.36 dB 的系统性差异。任何复现笔记都应显式声明测试集版本与评测通道。
成本可控：零训练推理复现单个基准（Rain200H），GPU 占用约 40 分钟，总花费不足 1 元。

7.2 对综述论点的实证支撑

本文的实测结果可视为对"合成域表现 ≠ 真实域泛化"这一主线论点的一个旁证：HQ-RAIN 综述指出，合成域冠军模型在真实域上泛化弱于融合领域知识的 CNN。本次复现补充了另一层观察------即使在合成域内部，基准划分这一"实验设定"本身也会显著影响绝对数值。讨论模型优劣时若不锚定统一的评测口径，跨论文比较将失去意义。

7.3 可选延伸

方向	操作要点
Rain200L / SPA-Data	需替换架构文件：`cp "DRSformer_arch_200L+SPA.py" DRSformer_arch.py`（这两集训练时未用 MEFC）
DID-Data / DDN-Data	默认架构即可，DID 测试集 1201 张，耗时最长
HQ-RAIN	权重未公开，只能引用综述数字，或自行训练

附录 A：完整命令速查

bash 复制代码

# ---- 环境准备（无卡模式即可） ----
cd /root/autodl-tmp
unzip DRSformer-main.zip && cd DRSformer-main
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python-headless scikit-image natsort tqdm einops
pip install "numpy==1.26.4" "opencv-python-headless==4.10.0.84"

# ---- 摆放权重与数据 ----
mkdir -p pretrained_models
mv ../deraining_Rain200H.pth pretrained_models/deraining.pth
unzip ../Rain200H_test_only.zip -d ..
mkdir -p test && cp -r ../Rain200H/test/input test/input
ls test/input | wc -l          # 必须输出 200

# ---- 推理（切换 3090 正常模式） ----
python test.py --task Deraining --input_dir './test/input/' --result_dir './test/output/'

# ---- 评测 ----
python eval_psnr_ssim.py --pred test/output/Deraining --gt ../Rain200H/test/target --out metrics_final_rgb.txt
python eval_psnr_ssim.py --pred test/output/Deraining --gt ../Rain200H/test/target --y --out metrics_ours_y.txt

# ---- 打包结果并关机 ----
cd test/output && zip -r /root/autodl-tmp/deraining_rain200h_output.zip Deraining && cd ../..
shutdown

附录 B：文件清单与成本

项目	数值
上传材料总量	约 245 MB（4 个文件）
权重文件字节数校验	134,971,977 B（与本地一致）
推理耗时	1 分 36 秒（200 张，RTX 3090）
GPU 总占用	约 40 分钟
总成本	不足 ¥1（无卡模式上传 + 3090 推理）

留档文件：metrics_final_rgb.txt、metrics_ours_y.txt、metrics_official.txt、deraining_rain200h_output.zip。

附录 C：术语速查

术语	含义
DRSformer	CVPR 2023 提出的高效图像去雨 Transformer，含 MEFC 模块
MEFC	Mixed Efficient Feed-forward / 多尺度特征协作模块，Rain200L 与 SPA 训练时未启用
Rain200H	含重雨（heavy rain）的合成去雨基准，1800 训练对 + 200 测试对
HQ-RAIN	TPAMI 2025 综述提出的统一评测基准，运动模糊合成雨纹 + alpha 融合，约 5000 对
PSNR	峰值信噪比，去雨任务主指标，越高越好
SSIM	结构相似度，取值 $0,1$ ，越高越好
无卡模式	AutoDL 的 CPU-only 计费模式，约 ¥0.1/时，适合上传与评测

DRSformer Rain200H 省钱推理复现笔记