本项目提供一个利用PyTorch实现的图像去遮挡修复系统，包含完整源代码与训练好的模型，适用于研究和开发中高质量恢复被遮挡图像内容。
在训练图像分割网络的过程中，可以选择使用resnet50、resnet101或mobilenetv2作为骨干网络。其中，mobilenetv2与resnet50的性能相近，但前者参数量较少而GPU推理速度较慢；相比之下，虽然resnet50参数较多但是其在进行推理时的速度更快一些。权重衰减设置为每完成100个step后学习率(lr)更新为lr*0.95，并且batch size设为16，训练数据集长度(trainloader)是900。经过大约2个epoch的训练之后就可以开始deepfillv2网络的训练了。
对于deepfillv2模型而言，默认采用原作者推荐的学习率效果较好，同时权重衰减策略同样是每完成100个step后学习率更新为lr*0.95，并且在此基础上引入混合精度训练以提升效率。此时batch size可以增大至24，而trainloader长度设定为600。
在配置L1损失系数时发现设置过小会导致效果不佳，因此将其调整到较大值如1000。图像尺寸(imgsize)是根据原始图片裁剪得到的大小，在训练过程中需要进行resize操作。这里推荐使用1536×1536大小的原图裁剪，并将它们缩放为256×256（即缩小至原来的1/6）作为输入。
最后，通过运行predict_single.py脚本可以获得预测结果对比图，包括图像分割图、粗修图和精修图。在进行训练时需要设置好权重文件路径并注意调整imgsize, imgresize以及b等相关参数的配置。
5星
