AOD-Net预训练权重下载与使用指南：从模型原理到实战部署

共计 1941 个字符，预计需要花费 5 分钟才能阅读完成。

背景介绍

AOD-Net（All-in-One Dehazing Network）是一种端到端的图像去雾深度学习模型，能够直接从带雾图像恢复出清晰图像，无需依赖传统的大气散射模型参数估计。其核心优势在于轻量化的网络结构（仅包含 20 个卷积层）和实时推理能力（1080p 图像约 50ms/ 帧）。预训练权重作为模型的知识载体，包含了在大量合成 / 真实雾天图像上学习到的去雾特征提取能力，开发者加载后可直接获得接近论文指标的 baseline 性能。

痛点分析

实际开发中获取预训练权重常遇到以下问题：

• 官方资源失效：原论文作者提供的百度云链接（2017 年）多数已过期
• 版本混淆：GitHub 上有多个第三方实现，权重格式（.pth/.ckpt/.h5）不统一
• 环境依赖：PyTorch 0.4 版本训练的权重需转换后才能在新版框架使用
• 校验缺失：直接加载损坏的权重文件会导致静默失败

可靠下载源推荐

1. 官方备份（推荐）
2. 地址：GitHub 搜索 AOD-Net-PyTorch 的 Releases 页
3. 优点：包含转换后的 PyTorch 1.6+ 兼容权重

4. 注意：需手动解压密码 aod2017

5. 学术镜像站

6. 清华大学 OpenI 镜像：openi.pcl.ac.cn/AAAI/AOD-Net

7. 特点：提供 MD5 校验文件和 torrent 下载

8. 云盘备份

9. 谷歌 Drive 共享链接（需梯子）：包含 ONNX 格式转换版本
10. 备用方案：阿里云 OSS 临时链接（时效 7 天）

代码实战

权重加载完整示例

import torch
from models import AODNet  # 模型定义参考原论文实现

def load_pretrained(model, weight_path):
    try:
        state_dict = torch.load(weight_path, map_location='cpu')
        if 'state_dict' in state_dict:  # 处理多级嵌套
            state_dict = state_dict['state_dict']
        model.load_state_dict(state_dict)
        print(f'Successfully loaded weights from {weight_path}')
    except Exception as e:
        print(f'Load failed: {str(e)}')
        # 自动尝试修复常见的 key 不匹配问题
        new_dict = {k.replace('module.', ''): v for k, v in state_dict.items()} 
        model.load_state_dict(new_dict, strict=False)

推理示例

import cv2
import numpy as np

# 预处理：归一化到 [0,1] 并转为 Tensor
def preprocess(img):
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    img = img.astype(np.float32) / 255.0
    return torch.from_numpy(img).permute(2,0,1).unsqueeze(0)

# 加载测试图像
img = cv2.imread('hazy_image.jpg')
input_tensor = preprocess(img)

# 运行推理
with torch.no_grad():
    output = model(input_tensor)

# 后处理：保存去雾结果
def postprocess(output):
    output = output.squeeze().permute(1,2,0).numpy()
    return (output * 255).astype(np.uint8)

cv2.imwrite('dehazed_result.jpg', postprocess(output))

避坑指南

环境配置

• CUDA 版本：建议使用 CUDA 11.x + PyTorch 1.8+ 组合
• 依赖冲突：注意 numpy 版本需 <1.24（避免 pickle 加载报错）

权重管理

• 路径处理 ：推荐使用pathlib 替代字符串拼接

  from pathlib import Path
  weight_file = Path(__file__).parent / 'weights/aodnet.pth'

• 内存优化 ：加载大权重时添加map_location='cpu' 参数

性能对比

结语

建议读者在 SOTS（O-HAZE）等标准测试集上验证权重效果后，尝试在自己的雾天拍摄数据集上进行微调（Fine-tuning）。可通过调整 --lr 1e-5 等参数适配新场景，通常 100-200 张标注图像即可获得明显提升。