图像复原是计算机视觉领域的经典课题，去雨、去模糊、去噪都离不开高质量的复原模型。MPRNet（Multi-Stage Progressive Image Restoration）凭借多阶段渐进式复原的设计思路，在多个公开数据集上取得了领先效果。通常这类模型都在Python生态中运行，但在实际工程中，不少团队的前后端技术栈以Node.js为主，如果能直接在Node.js中跑通MPRNet推理，就能省去跨语言服务的维护成本。本文将从模型原理入手，讲解如何在Node.js环境中完成MPRNet的部署。
一、MPRNet的核心设计思想
MPRNet最大的特点是把复原任务拆成多个阶段逐步完成，而不是一次性输出结果。整个网络由三个子网络组成，前两个阶段采用编解码器结构提取多尺度特征，最后一个阶段使用原始分辨率的子网络输出精细结果。每个阶段处理的难度逐步降低，前一阶段的粗略结果会作为后续阶段的输入基础。
两个关键机制值得重点关注。第一个是CSFF（Cross-Stage Feature Fusion），即跨阶段特征融合，它把上一阶段不同层级的特征传递给下一阶段，让深层语义信息和浅层细节信息充分交互。第二个是SAM（Supervised Attention Module），监督注意力模块，它在每个阶段的输出处引入中间监督，通过预测的残差图生成注意力权重，对有用特征加权后传递到下一阶段，同时削弱无关特征的影响。
这种渐进式设计带来的好处是明显的：训练时中间监督缓解了梯度消失问题，推理时多尺度特征互补让复原质量更高。理解了这两点，才能明白后面为什么在Node.js中要做特定的预处理操作。
二、在Node.js中加载MPRNet模型
Node.js本身没有原生的深度学习能力，正确做法是先把PyTorch训练的MPRNet模型转换为ONNX格式，再用onnxruntime-node加载。转换阶段在Python侧完成，导出时要注意动态设置输入尺寸，建议导出为动态batch、动态宽高的形式：
import torch
model = MPRNet() # 加载训练好的权重
model.eval()
dummy_input = torch.randn(1, 3, 256, 256)
torch.onnx.export(
model,
dummy_input,
"mprnet.onnx",
input_names=["input"],
output_names=["output"],
dynamic_axes={
"input": {0: "batch", 2: "height", 3: "width"},
"output": {0: "batch", 2: "height", 3: "width"},
},
opset_version=13
)
拿到onnx文件后，在Node.js项目里安装onnxruntime-node，加载过程非常直接。需要注意MPRNet模型文件较大，三个阶段的参数量不小，初始化可能需要几百毫秒，建议在服务启动时加载一次并复用session，而不是每次请求都重新创建：
const ort = require("onnxruntime-node");
async function createSession() {
const session = await ort.InferenceSession.create("mprnet.onnx", {
executionProviders: ["cpu"],
graphOptimizationLevel: "all"
});
console.log("模型输入:", session.inputNames);
console.log("模型输出:", session.outputNames);
return session;
}
const sessionPromise = createSession();
onnxruntime-node在Windows、Linux和macOS上都提供了预编译的二进制包，安装时无需额外配置CUDA环境，CPU推理即可满足中小尺寸图片的处理需求。如果追求更高吞吐，可以配置GPU执行提供器，但需要额外安装对应的CUDA运行库。
三、图像预处理与推理的完整流程
MPRNet的输入是归一化后的RGB张量，取值范围在0到1之间。在Node.js中处理图像推荐使用sharp库完成解码和缩放，再手动填充Float32Array构造张量。下面是完整的处理流程：
const sharp = require("sharp");
async function preprocess(imagePath) {
const { data, info } = await sharp(imagePath)
.removeAlpha()
.resize(256, 256, { fit: "fill" })
.raw()
.toBuffer({ resolveWithObject: true });
const pixels = new Float32Array(3 * info.width * info.height);
const plane = info.width * info.height;
// 分离RGB三个通道，并归一化到0-1
for (let i = 0; i < plane; i++) {
pixels[i] = data[i * 3] / 255; // R通道
pixels[plane + i] = data[i * 3 + 1] / 255; // G通道
pixels[plane * 2 + i] = data[i * 3 + 2] / 255;// B通道
}
return { pixels, width: info.width, height: info.height };
}
async function runInference(session, input) {
const tensor = new ort.Tensor(
"float32",
input.pixels,
[1, 3, input.height, input.width]
);
const results = await session.run({ input: tensor });
return results.output; // 形状为[1,3,H,W]
}
后处理部分则要把输出张量限制到有效范围、反归一化并重新合成PNG。这里有一个容易踩的坑：MPRNet的标准实现输出的是复原图像而非残差，直接乘255再截断到0到255即可，但如果导出的版本输出的是残差，就需要加上原始输入。建议导出后先用Python验证一次输出含义，再在Node.js中写对应的后处理逻辑：
async function postprocess(tensor, outputPath) {
const out = tensor.data;
const h = tensor.dims[2], w = tensor.dims[3];
const plane = h * w;
const buf = Buffer.alloc(plane * 3);
for (let i = 0; i < plane; i++) {
buf[i * 3] = Math.min(255, Math.max(0, Math.round(out[i] * 255)));
buf[i * 3 + 1] = Math.min(255, Math.max(0, Math.round(out[plane + i] * 255)));
buf[i * 3 + 2] = Math.min(255, Math.max(0, Math.round(out[plane * 2 + i] * 255)));
}
await sharp(buf, { raw: { width: w, height: h, channels: 3 } })
.png()
.toFile(outputPath);
}
四、性能优化与部署建议
实测下来，一张256乘256的图片在普通四核服务器上CPU推理大约耗时一到两秒，模型三个阶段的计算量摆在那里，这是正常水平。如果服务需要处理用户上传的高清图，建议按tile分块推理再拼接，避免内存和耗时同时膨胀。分块时注意保留重叠区域，否则拼接边缘容易出现明显的痕迹，重叠宽度一般取32像素以上效果比较稳定。
另一个优化方向是减少JavaScript层面的大数组循环操作。张量数据量动辄几十万元素，纯JS循环的性能瓶颈不可忽视，可以考虑利用TypedArray的原生批量转换技巧，或者把归一化逻辑提前到sharp的linear操作中完成，能把CPU时间压缩到原来的三分之一左右。
在部署形态上，把推理逻辑封装到独立的Worker线程是稳妥的选择，主线程只负责接收请求和调度，推理放在Worker中执行，避免长耗时任务阻塞事件循环。这样一套Node.js方案虽然在单张耗时上比原生Python加CUDA略慢，但胜在架构统一、运维简单，对于以图片质量增强为附属功能的中型项目来说，是非常划算的工程选择。