三个任务的MPRNet结构存在细微差异，加载参数时会报错，确保是对应的网络加载对应的参数。 model_deblurring.pth model_denoising.pth model_deraining.pth

多阶段渐进式图像恢复（CVPR 2021） ， ， ， ， ， 和 论文： : 补充文件： 摘要：图像恢复任务要求在恢复图像时在空间细节和高级上下文信息之间达成复杂的平衡。 在本文中，我们提出了一种新颖的协同设计，可以最佳地平衡这些相互竞争的目标。 我们的主要建议是一个多阶段体系结构，该体系结构逐步学习降级输入的恢复功能，从而将整个恢复过程分解为更易于管理的步骤。 具体来说，我们的模型首先使用编码器-解码器体系结构学习上下文相关的功能，然后将它们与保留本地信息的高分辨率分支相结合。 在每个阶段，我们都会介绍一种新颖的每像素自适应设计，该设计利用现场监督的注意力来重新加权局部特征。 这种多阶段体系结构中的关键要素是不同阶段之间的信息交换。 为此，我们提出了一种两方面的方法，其中不仅从早期到后期顺序地交换信息，而且还存在特征处理块之间的横向连接，以避免任何信息丢失。 由

多阶段渐进式图像恢复网络 MPRNet 的训练数据集，包括 13711 对有雨无雨图，论文链接 https://arxiv.org/abs/2102.02808，原数据集在谷歌云盘不便下载。

图像恢复网络 MPRNet 去雨测试数据集 Test2800。

图像恢复网络 MPRNet 去雨测试数据集 Test1200。

MPRNet 去雨使用的测试数据集包括Rain100H，Rain100L，Test100。

多阶段渐进式图像恢复 MPRNet 源代码。