# AdcSR 竞赛冲分工程（CSIG 2026 Camera学术之星 赛道二）

以官方 Guaishou74851/AdcSR (CVPR 2025) 为基座的分阶段训练工程：
S1 LoRA/QLoRA 像素域适配 -> S2 GDPO-SR 教师升级蒸馏 -> S3 域微调 -> 速度优化 -> 赛题提交包。

## 目录
- `official/` 官方仓库原样 clone（只读参照；训练脚本通过 sys.path 引用其 model/dataset/utils/ram）
- `src/` 训练/蒸馏/导出/推理/评测
- `tools/` 数据下载、清洗、打标、建 patch、清单、val 划分（纯 CPU）
- `configs/` 各阶段 yaml
- `scripts/` 服务器环境、权重、运行、打包上传、归档
- `weight/ models/ logs/ data/` 运行产物（不入库）

## 本地 vs 服务器
- 本地（RTX 3050 4G / F 盘 ~44G）：代码开发、CPU 数据清洗、gt<=128 的 1 迭代冒烟。
- aspire2a（单卡 A100 40G）：S1/S2/S3 全量训练、评测、导出、100 张 4K 出图。

## 快速开始（服务器）
```bash
bash scripts/setup_env.sh              # conda + 依赖
bash scripts/download_weights.sh       # Plan A: 服务器拉权重(AdcSR 5件套+SD2.1+GDPO)
python scripts/env_check.py
bash scripts/run_smoke.sh              # S0 冒烟（每个训练配置 1 迭代）
bash scripts/run_stage1.sh             # S1 LoRA
bash scripts/run_stage2.sh             # S2 GDPO 教师蒸馏
bash scripts/run_stage3.sh             # S3 域微调
python src/eval_val.py --weights <pkl> # val 评测 + 代理分
python src/export_jit.py --weights <pkl> --out model_dir
python src/inference_4k.py --lr_dir <testLR> --weights <pkl> --out output_dir
python src/check_submission.py --zip <file.zip>
```

## 训练/评测口径（与官方一致）
- 输入 LR 128x128 (scale=4, gt 512) -> 输出 512x512 RGB；官方 runner 用 512x512 包装/分块。
- val 代理分 proxy = 0.25*CLIPIQA + 0.2*(MUSIQ/100) + 0.15*MANIQA + 0.15*(1-NIQE/10) + 0.25*(1-LPIPS)
- 保真护栏：PSNR 不低于官方基线 0.5dB，SSIM 不低于 0.01。