性能：InvDN的去噪性能优于多数现有的竞争模型，在SIDD数据集上实现了新的先进的结果，同时享受更少的运行时间。这表明该方法在处理真实噪声问题上具有很高的效率和准确性。

模型大小：此外，InvDN的大小远小于DANet，只有4.2%的参数数量。这意味着该模型在保持高性能的同时，还具有较小的模型大小，这对于部署在资源有限的设备上非常有利。

生成噪声：通过操纵噪声潜在表示，InvDN还能够生成与原始噪声更相似的噪声。这表明该方法不仅可以去除噪声，还可以用于生成噪声，增加了其应用的灵活性。

一、源码包

官网地址：InvDN
论文地址：论文
官方提供的源码包直接使用有些问题，我自己修改调试了代码，建议学者直接使用我提供的源码包测试：网盘源码包，提取码：4qs2

二、输入数据到网络

官网给的脚本默认读取方式是.mat数据，也可以自己修改读入代码，修改为使用OpenCV读取，在我提供的源码包中有两个脚本文件，分别为两种读取方式。

2.1 读取.mat数据

使用该方法，需要先将测试图片.png或者.jpg转为.mat格式数据。

.mat格式数据的制作教程，学者看我的另外一篇博客：.mat数据制作

转换为.mat格式数据的脚本也在我提供的源码包中:

在我提供的源码包里有一个我已经制作好的.mat文件，如下:

2.1.1修改配置文件

配置文件位置如下：

上面的预训练权重在我提供的源码包中pretrained文件夹下：

2.1.2参数修改

为了Debug调试方便，我把配置文件路径直接添加到了test_Real_Single.py文件中，如下：

修改好上面参数后直接运行脚本

运行结束后会在resurt_imags文件下获得测试结果：

2.2 CV2 读取数据

上面的这种方法，需要先转为.mat格式才能读取，这里改了的读取代码，使用OpenCv2直接读取图片推理测试。

2.2.1 修改参数

学者使用的时候，只需要修改导入噪声图像的路径即可，如下：

运行结束后同样会在resurt_imags文件下保存推理结果。

2.2.2 推理速度测试

该脚本文件中加了测试推理时间的代码，如下，在GPU上测试的结果：

三、测试结果

四、总结

以上就是可逆图像去噪——InvDN模型推理测试的过程，我没有训练，目前只是测试的该方法效果。

总结不易，多多支持，谢谢！