DeamNet ncnn Windows
项目概览
这是一个基于 ncnn 的 DeamNet 非官方简化实现，重点是把模型推理流程整理成更适合 Windows 环境部署和实际落地的形式。
从当前仓库内容来看，这个项目已经具备比较完整的工程信息：依赖环境、调用方式、结果对照和基础性能数据都已经给出，因此这一页可以更自然地当作一个小型技术记录来读，而不是只看仓库简介。
环境与使用方式
当前依赖环境主要包括：
- Visual Studio 2019 / 2022
- NCNN 预编译版本
- OpenCV 4.6.0
编译完成后，可以直接按下面的方式执行推理：
./<xxx.exe> <image-path>
灰度图结果对比
下面这组结果展示了同一输入下，原始实现与 ncnn 推理输出之间的对照情况。
| Input | Pytorch | ncnn |
|---|---|---|
 |  |  |
 |  |  |
这部分最有价值的点在于：项目不仅实现了 ncnn 版本，还实际把输出结果和原始 Pytorch 结果做了可视化对照。
彩色图结果对比
彩色图的结果也已经给出，可以更直观看到移植后的输出情况。
| Input | Pytorch | ncnn |
|---|---|---|
 |  |  |
运行时间
项目说明里给出了一组在 AMD Ryzen 5 5600G 上、以 Gray25 为主的测试结果：
| 分辨率 | CPU | 核显 + Vulkan |
|---|---|---|
| 256x256 (Gray) | 4.63 | 1.80 |
| 512x512 (Gray) | 18.35 | 3.72 |
| 1200x1600 (Gray) | Run failed | 24.41 |
这些数据已经能说明一个很实际的问题：在当前测试条件下，Vulkan 路线比纯 CPU 更有意义，但在更大输入尺寸下仍然需要继续补稳定性和完整 benchmark。
后续值得补充的方向
- ncnn 推理工程结构
- 模型输入输出处理
- 与其他去噪模型的速度与效果对比
- 不同后端下的稳定性记录
参考
- Ren et al., Adaptive Consistency Prior Based Deep Network for Image Denoising, CVPR 2021
技术栈
- C++
- ncnn
- Denoising