写在前面

关于Paddle的资料不如Torch和Tensorflow那么多，在Goole上边也搜不到什么。百度上面的资料也参差不齐，因此最高效的查资料的方式是去Paddle的论坛中，找对应的API或者去论坛中，以及一些Paddle论文复现的群

1. WDNet架构简述

WDNet主要是用于可见水印去除的，该网络由一个生成器和一个鉴别器构成。

生成器是由一个U-net作为Backbone，U-net进行编解码之后，进行了对水印掩膜的分割任务、对水印像素的重构映射、对透明度的重构映射。通过这3个结果，初步得到去除水印的结果，接着进入第二个阶段进行精细化的去除，该部分是由Resblocks构成的，得到最终的去除结果。
鉴别器是采用的CGAN的鉴别器，以【水印图像,无水印图像(label)】作为输入，或者以【预测的水印图像,无水印图像(label)】作为输入进行鉴别训练。

2. 复现

2.1 常见的API的对照表

详情参照：PyTorch-PaddlePaddle API映射表

在对论文进行重构时，以下列出我在复现时最常用映射的API，有些是在API文档直接看不到的

Torch	Paddle
torch.nn.Module	paddle.nn.Layer
torch.nn.functional	paddle.nn.functional
torch.cat	paddle.concat
torch.optim	paddle.optimizer
torch.Tensor	paddle.to_tensor
torch.size()	paddle.shape
torch.load	paddle.load
.zero_grad()	.clear_gradients()
torch.no_grad()	paddle.no_grad()
torchvision.models	paddle.vision.models
.requires_grad = True	.stop_gradient = False

还有对各个组件层参数进行的初始化weight_init

Paddle代码

from paddleseg.cvlibs import param_init

def weight_init(Layer):
    for n, m in Layer.named_children():
        if isinstance(m, nn.Conv2D):
            param_init.normal_init(m.weight, mean=0.0, std=0.02)
        elif isinstance(m, nn.BatchNorm2D):
            param_init.normal_init(m.weight, mean=1.0, std=0.02)
            param_init.constant_init(m.bias, value=0)

Torch代码

def weight_init(m):
    if isinstance(m, nn.Conv2d):
        nn.init.normal_(m.weight.data, 0.0, 0.02)
    elif isinstance(m, nn.BatchNorm2d):
        nn.init.normal_(m.weight.data, 1.0, 0.02)
        nn.init.constant_(m.bias.data, 0)

2.2 一些评价指标计算

衡量指标主要是PSNR和SSIM

PSNR计算 一定要考虑输入图像的像素区间是【0-255】还是【0-1】还是【-1,1】，要做对应的转换

from paddle.nn import functional as F

psnr = 10 * paddle.log10(pixelmax / F.mse_loss(pred, GT, reduction="mean")).item()

其中pixelmax是输入图像像素上限值，是255或者1 F.mse_loss算的的是一个均方误差

SSIM计算 因为手动构建代码较为复杂，因此使用相应的库

from paddle_msssim import SSIM

self.ssim = SSIM(data_range=1.0)
ssim = self.ssim(pred, GT).item()

3. DEMO

重构的代码正在训练；

现成的Torch代码，可以参照论文作者的代码

WDNet的Paddle复现-用于可见水印去除