DeblurGANv2多epoch训练性能不升反降的参数优化咨询

针对你使用DeblurGANv2、基于6000张图像数据集、以batch size=1开展训练，10/30/50epoch后PSNR/SSIM/FID指标无提升甚至下降的问题，可从以下方向调整参数：

一、数据集与数据增强优化 #

• 关闭验证集的数据增强：当前配置中val段的corrupt继承了训练集的增强操作，这会导致验证结果无法反映模型对真实模糊场景的恢复能力。把val里的corrupt: *CORRUPT改成corrupt: []，用真实的模糊-清晰对做评估。
• 精简训练集数据增强：当前训练集的corrupt包含8种增强操作，过多过杂的增强会让训练数据偏离真实模糊分布，干扰模型学习。只保留和你的数据集模糊类型匹配的增强（比如如果是运动模糊就留motion_blur），删除其余无关项。
• 确保遍历全量训练数据：当前train_batches_per_epoch=1000，每个epoch只训练1000张图，6000张的数据集需要6个epoch才能遍历一次，容易导致模型重复学习部分数据而过拟合。把这个值改成训练集的实际数量（4800，对应bounds: [0, .8]），让每个epoch覆盖全量训练数据。

二、模型结构与损失函数调整 #

• 调整内容损失类型：当前用纯perceptual损失，更侧重感知质量，但和像素级指标（PSNR/SSIM）对齐度差。可以换成pixel（L1/L2）损失，或者混合损失（比如content_loss: perceptual+pixel），让模型兼顾像素精度和感知效果。
• 优化对抗损失配置：adv_lambda=0.001权重过低，对抗损失的作用难以发挥；但权重过高又容易过拟合。可以尝试调整为0.005或0.01，同时将disc_loss从ragan-ls换成hinge或普通lsgan，提升判别器训练的稳定性。
• 减小模型规模避免过拟合：g_name: fpn_inception搭配blocks:9模型参数过多，6000张图+batch size=1的场景下容易过拟合。可以把blocks改成6，或者换成更轻量的生成器（比如unet），减少模型容量。
• 关闭Dropout：当前dropout: True，在训练数据量不算极大的情况下，Dropout会降低模型的学习能力。改成dropout: False，提升模型的特征提取能力。

三、训练策略与优化器调优 #

• 用梯度累积模拟大batch：batch size=1会导致梯度噪声大，训练不稳定。可以在代码中实现梯度累积，每累积4个batch再更新一次参数，等效于batch size=4，让梯度更新更平滑。
• 提前启动学习率衰减：当前scheduler的start_epoch=50，意味着前50epoch都用固定lr=0.0001，后期学习率过高容易导致模型震荡。把start_epoch改成20，或者将scheduler: name换成cosine（余弦退火），让学习率衰减更平滑，利于后期收敛。
• 加入早停机制：如果训练到30epoch后验证指标开始下降，说明已经过拟合。添加早停逻辑，当验证loss连续5epoch不下降时停止训练，保存最优模型，无需硬训到50epoch。

四、其他检查项 #

• 确认模糊图与清晰图的配对完全正确，无错误配对或低质量图像混入数据集；
• 验证评估时用的是无增强的原始图像，确保指标反映真实性能。

内容的提问来源于stack exchange，提问作者송민지