图像增强赛道在近年计算机视觉挑战中热度很高低光增强则是其中最能体现“从坏输入到好输出”的一类任务。NTIRE 2026 Low-light Enhancement 赛道以 “Twilight Cowboy Challenge” 为名直接指向黄昏低照度、高动态范围、复杂光源混合的真实拍摄场景。对参加这类挑战的选手来说难点不在于把图像调亮而在于如何在提升亮度的同时抑制噪声、恢复色彩、保留局部细节并保证结果在评价指标和人眼观感上都稳定。这篇文章会围绕低光增强挑战的完整工程链路展开先理解任务和评价机制再搭好环境与基线模型接着跑通训练和验证然后讨论针对“Twilight Cowboy”这类暗光场景的改进方向最后给出常见问题排查和备赛检查清单。如果你是第一次参加 NTIRE 这样的竞赛或者正准备把低光增强算法落到自己的项目里这条路径可以直接复用。1. 先理解“Twilight Cowboy”到底在考验什么1.1 低光增强要解决的不是“调亮”这一个动作低光图像的退化是多维度的。照明不足只是最直观的表象实际上还伴随传感器噪声、颜色偏色、对比度下降、暗部细节丢失和动态范围压缩。如果只把像素值乘一个增益亮部很快溢出暗部噪声被同步放大结果会是一张更亮但更脏的图。低光增强任务通常希望输出一张接近正常光照条件下的清晰图像所以算法需要同时完成几个动作估计场景中的光照分布而不是使用全局单一增益。抑制亮度放大后更容易暴露的噪声。修正由白平衡偏差造成的色彩偏移。在暗部增强和亮部保持之间做动态范围平衡。这也是为什么低光增强经常和去噪、去马赛克、白平衡、色调映射等任务绑在一起。单独的卷积网络可以在配对数据上学到这些行为但需要合理的损失函数和训练策略否则很容易在指标上好看、视觉上失败。1.2 “Twilight Cowboy”场景的特殊性从名称看“Twilight Cowboy”指向的是黄昏和入夜后的户外场景。这类场景有几个很典型的视觉特征天空和光源附近仍有较高亮度地面、阴影区域很暗形成明显的动态范围差异。整体色温偏暖局部可能出现夕阳、路灯、车灯等强光源导致色彩分割复杂。暗部区域噪声明显尤其是在手机或普通消费级相机拍摄时。人物或物体轮廓经常处于逆光位置边缘细节容易淹没在暗部中。这些特征决定了算法不能只在一个固定亮度范围内做变换。对“Twilight”一类图像模型需要具备根据局部内容自适应调节的能力。例如对天空只做轻微增强对暗部阴影做更强的提升同时始终限制噪声放大。这也是为什么许多参赛方案会引入注意力机制、光照估计分支或者递归调制结构。1.3 NTIRE挑战的一般评价机制NTIRE 全称是 New Trends in Image Restoration and Enhancement是计算机视觉领域经常在 CVPR 会议期间组织的图像复原与增强系列挑战活动。低光增强通常作为其中一个独立赛道出现。具体到 2026 年的赛事规则需要在官网确认但历届挑战的一些通用做法可以提前参考官方会提供成对的训练数据低光图像作为输入对应的高质量正常光图像作为参考。验证集和测试集不公开标签参赛者跑推理后上传结果由主办方统一评估。常用评价指标包括 PSNR、SSIM、LPIPS部分赛道会加入面向感知质量的 NIQE、PI 或用户研究。赛道可能分成 sRGB 输入和 RAW 输入也可以分成“有参考”和“无参考”两个子任务。不管规则怎么变参赛者最好准备两套评估管线一套计算 PSNR/SSIM/LPIPS便于自己验证时排序另一套严格按照官方要求生成提交文件。两套管线的数据范围、图像边界、命名方式必须完全一致否则容易出现本地指标不错、提交后分数对不上的问题。2. 环境准备与基线搭建先从能跑通开始2.1 硬件和软件环境低光增强模型不需要像大语言模型那样消耗巨额显存但为了快速迭代一张支持 CUDA 的显卡仍然是必要条件。最小可行配置可以按这个标准准备项目建议配置GPUNVIDIA RTX 3060 或更高显存 8GB 以上内存16GB 以上操作系统Linux 优先Windows 也可运行Python3.8 到 3.11 均可深度学习框架PyTorch 2.x图像库OpenCV、scikit-image、Pillow辅助库lpips、tqdm、tensorboard 或 wandb安装环境的命令通常如下conda create -n llie python3.9 conda activate llie pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install opencv-python scikit-image lpips tqdm tensorboard这里要注意PyTorch 的安装地址需要和本机 CUDA 驱动版本匹配。如果驱动版本较新也可以使用默认官方源安装。训练前先用一个小脚本确认 GPU 可用import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else CPU only)2.2 低光数据集的目录设计与读取方式挑战赛提供的完整数据集通常以图像对的形式出现。即使官方数据还没发布也可以先用公开低光数据集验证流程或者自己构造小型训练集。推荐的数据目录结构如下data/ ├── train/ │ ├── low/ │ │ ├── 0001.png │ │ ├── 0002.png │ │ └── ... │ └── high/ │ ├── 0001.png │ ├── 0002.png │ └── ... ├── val/ │ ├── low/ │ └── high/ └── test/ └── low/读取时建议先写一个 Dataset 类统一处理图像路径、归一化范围和数据增强。一个最小实现如下import os import cv2 import numpy as np from torch.utils.data import Dataset class LowLightDataset(Dataset): def __init__(self, root, splittrain, crop_size256, train_modeTrue): self.low_dir os.path.join(root, split, low) self.high_dir os.path.join(root, split, high) self.names sorted(os.listdir(self.low_dir)) self.crop_size crop_size self.train_mode train_mode def __len__(self): return len(self.names) def __getitem__(self, idx): name self.names[idx] low cv2.imread(os.path.join(self.low_dir, name)).astype(np.float32) / 255.0 high cv2.imread(os.path.join(self.high_dir, name)).astype(np.float32) / 255.0 # OpenCV 默认 BGR这里保持一致若用 PIL 则注意通道顺序 if self.train_mode: low, high self._crop(low, high, self.crop_size) if np.random.rand() 0.5: low low[:, ::-1, :] high high[:, ::-1, :] low np.ascontiguousarray(low.transpose(2, 0, 1)) high np.ascontiguousarray(high.transpose(2, 0, 1)) return low, high def _crop(self, low, high, size): h, w, _ low.shape top np.random.randint(0, h - size 1) if h size else 0 left np.random.randint(0, w - size 1) if w size else 0 low low[top:top size, left:left size, :] high high[top:top size, left:left size, :] return low, high这一段代码里有几个容易出错的地方。第一个是图像缩放范围必须保证输入和标签都在 0 到 1 之间。第二个是通道顺序OpenCV 读取出来是 BGR如果后续训练用的预训练模型是按 RGB 初始化需要在进入网络前转换或者在读取时直接使用cv2.cvtColor。第三个是随机裁剪挑战赛图像尺寸可能有大有小不能假设所有图像都超过裁剪尺寸。2.3 评估指标的实现与口径PSNR 和 SSIM 是低光增强最常用的两个指标。PSNR 衡量重建像素误差SSIM 衡量结构相似性。LPIPS 则更接近人的感知数值越低表示感知差异越小。PSNR 的计算用 scikit-image 很方便from skimage.metrics import peak_signal_noise_ratio, structural_similarity import lpips def compute_psnr_ssim(pred, target): pred pred.clip(0, 1) target target.clip(0, 1) psnr peak_signal_noise_ratio(target, pred, data_range1.0) ssim structural_similarity( target, pred, data_range1.0, channel_axis2, gaussian_weightsTrue, sigma1.5, use_sample_covarianceFalse, ) return psnr, ssim使用 LPIPS 时需要初始化一个预训练网络lpips_fn lpips.LPIPS(netvgg) def compute_lpips(pred, target): pred_t torch.from_numpy(pred).permute(2, 0, 1).unsqueeze(0).float() target_t torch.from_numpy(target).permute(2, 0, 1).unsqueeze(0).float() return lpips_fn(pred_t * 2 - 1, target_t * 2 - 1).item()计算指标时有一个常见口径问题是否去掉边缘像素。许多图像复原任务会在评估前裁剪掉 4 到 8 像素因为卷积网络边缘存在 padding 伪影。是否做这种处理要以官方评估代码为准。如果自己建立验证流程最好先固定一种口径并和官方样例结果比对。3. 从零实现一个最小可运行的低光增强模型3.1 模型选择从轻量全卷积网络开始低光增强并没有必须使用的网络结构。刚起步时不建议直接搭建复杂 Transformer而应该先用一个简单、稳定、容易调试的卷积网络跑通流程。这里给出一个带残差连接的小网络输入 3 通道图像输出 3 通道增强结果结构类似浅层 U-Net 的简化版。import torch import torch.nn as nn import torch.nn.functional as F class SimpleEnhanceNet(nn.Module): def __init__(self, in_channels3, base32): super().__init__() self.encoder nn.Sequential( nn.Conv2d(in_channels, base, 3, padding1), nn.LeakyReLU(0.2, inplaceTrue), nn.Conv2d(base, base * 2, 3, stride2, padding1), nn.LeakyReLU(0.2, inplaceTrue), nn.Conv2d(base * 2, base * 2, 3, padding1), nn.LeakyReLU(0.2, inplaceTrue), ) self.decoder nn.Sequential( nn.Upsample(scale_factor2, modebilinear, align_cornersFalse), nn.Conv2d(base * 2, base, 3, padding1), nn.LeakyReLU(0.2, inplaceTrue), nn.Conv2d(base, in_channels, 3, padding1), ) def forward(self, x): identity x x self.encoder(x) x self.decoder(x) x F.interpolate(x, sizeidentity.shape[2:], modebilinear, align_cornersFalse) return identity x这个网络的关键在于最后的残差连接。模型学习的是低光图像到正常图像的增量而不是直接生成完整图像。实验表明残差结构比直接输出更稳定尤其是暗部区域模型只需要学习修正量优化难度更低。3.2 损失函数组合L1 是稳定下限SSIM 和感知损失帮助视觉质量基线阶段可以只使用 L1 损失。L1 对每个像素的误差惩罚是线性的不会像 L2 那样被少数过亮或过暗像素主导在图像复原任务中往往收敛更平稳。但要提升视觉质量可以加入 SSIM 损失公式如下class SSIMLoss(nn.Module): def __init__(self, window_size11): super().__init__() self.window_size window_size def forward(self, pred, target): pred pred.clamp(0, 1) target target.clamp(0, 1) # 简化实现实际可复用 pytorch_msssim from pytorch_msssim import ssim return 1 - ssim(pred, target, data_range1.0, size_averageTrue)如果希望进一步贴近人眼感知可以加入 LPIPS 损失。训练时损失可以写成loss l1_loss(pred, target) 0.1 * ssim_loss(pred, target) 0.01 * lpips_loss(pred, target)不同损失权重的选择取决于数据集。如果只追求 PSNRL1 和 MSE 权重可以更大如果追求观感SSIM 和 LPIPS 权重应该提高。这里给出的 1、0.1、0.01 只是常见起点需要小规模实验验证。3.3 训练脚本主体把数据、模型、损失串起来一个完整训练脚本至少包含数据加载、模型初始化、优化器、训练循环、验证循环和 checkpoint 保存。下面是一个精简但可运行的骨架import torch from torch.utils.data import DataLoader from torch.optim import AdamW from torch.optim.lr_scheduler import CosineAnnealingLR def train_one_epoch(model, loader, opt, criterion, device): model.train() total_loss 0 for low, high in loader: low low.to(device) high high.to(device) pred model(low) loss criterion(pred, high) opt.zero_grad() loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) opt.step() total_loss loss.item() * low.size(0) return total_loss / len(loader.dataset) model SimpleEnhanceNet().cuda() dataset LowLightDataset(data, splittrain, crop_size256) loader DataLoader(dataset, batch_size8, shuffleTrue, num_workers4) optimizer AdamW(model.parameters(), lr1e-4, weight_decay1e-5) scheduler CosineAnnealingLR(optimizer, T_max50) criterion torch.nn.L1Loss() for epoch in range(50): loss train_one_epoch(model, loader, optimizer, criterion, torch.device(cuda)) scheduler.step() print(fepoch {epoch1}, loss {loss:.4f})这段代码里最有必要强调的是梯度裁剪。低光增强任务的输入像素差异大偶尔会出现损失突增梯度裁剪能避免模型参数被异常样本带偏。clip_grad_norm_中的max_norm一般设置在 0.5 到 5.0 之间这里取 1.0。4. 对标挑战主题改进算法的四个方向4.1 从全局映射到曲线估计Zero-DCE 类方法简单卷积网络虽然能跑通但在“Twilight Cowboy”这类光照分布复杂的图像上很容易出现局部过曝或增强不足。一个被广泛验证的思路是估计逐像素光照曲线而不是直接输出最终图像。Zero-DCE 的思路很有参考价值网络学习一组曲线参数对输入图像做多次迭代映射从而实现 self-calibrated 的亮度调整。曲线映射的最小表达如下def apply_curve(image, alpha, beta, gamma): # image: [B, 3, H, W] x image for _ in range(8): x x alpha * (x - x * x) return x这种方法的好处是输出范围有界不会超过 0 到 1天然稳定。缺点是曲线表达能力有限对噪声和颜色偏差的处理需要其他模块配合。4.2 联合去噪暗部放大后的噪声是最大敌人低光图像的噪声在亮度提升后会非常明显。提高亮度相当于放大信号和噪声如果网络没有去噪能力最终输出会出现大量彩色噪点即使 PSNR 还行视觉上仍然不可接受。处理思路有两类。第一类是显式加一个去噪分支先对低光图去噪再做亮度增强。第二类是隐式通过损失函数和网络容量学习去噪。参加挑战时可以在网络中间层加入一个去噪监督损失或者在训练时对标签添加噪声扰动提升鲁棒性。对 RAW 输入数据还可以利用 Bayer 域的噪声模型进行仿真。如果官方赛道提供 RAW 数据优先在 RAW 域训练因为原始数据的线性关系更容易建模噪声sRGB 域经过非线性变换后噪声更难分离。4.3 动态范围与曝光区域自适应Twilight 场景经常同时存在高光天空和极暗地面单一曲线很难兼顾。一个实用做法是引入亮度注意力图brightness low.mean(dim1, keepdimTrue) attention 1 - brightness # 暗部权重高用这张注意力图作为辅助信息让网络知道哪些区域需要强增强哪些区域应该保持。可以在输入中拼接这个灰度图也可以在损失函数中对暗部像素分配更高权重loss ((pred - high).abs() * (1 attention)).mean()这么做的好处是让模型更关注暗部细节恢复而不是把所有像素一视同仁。缺点是需要调权重暗部权重过高容易导致噪声敏化需要配合正则化使用。4.4 数据增强与配对数据生成竞赛数据集可能较小而低光增强模型对数据分布的依赖很强。一种有效策略是从正常光图像合成低光图像从而获得大量配对样本。常见合成流程随机 gamma 暗化。加入高斯噪声和泊松噪声。降低饱和度或改变色温。用 JPEG 压缩引入伪影。随机调整亮度和对比度。合成样本的公开代码如下import numpy as np import cv2 def synthesize_low_light(high, gamma_range(1.5, 3.5), noise_std0.02): high high.astype(np.float32) / 255.0 gamma np.random.uniform(*gamma_range) low np.power(high, gamma) noise np.random.normal(0, noise_std, low.shape).astype(np.float32) low low noise low np.clip(low, 0, 1) return low合成低光图像不能完全替代真实数据因为真实传感器的噪声和颜色退化更复杂。但它可以作为预训练阶段的数据来源让模型先学会基本增强能力再用官方数据微调这样通常比直接从零训练更稳定。5. 训练、验证与推理的完整流程5.1 训练配置建议训练配置不应该一开始就用大 batch 和大学习率而应该先做小规模实验。建议从以下配置起步参数建议值说明输入尺寸256x256太大显存容易不足太小丢失细节Batch size8 或 16按显存调整优化器AdamW比 SGD 收敛更稳定学习率1e-4作为初始值观察 Loss 曲线调整学习率调度CosineAnnealing后期衰减更平稳Epoch30 到 60视数据量而定混合精度torch.cuda.amp可减少显存并加速启用混合精度训练时代码要包在torch.cuda.amp.autocast()中并对 loss 调用scaler.scalescaler torch.cuda.amp.GradScaler() with torch.cuda.amp.autocast(): pred model(low) loss criterion(pred, high) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()使用混合精度时注意有些损失函数可能在 fp16 下不稳定尤其是涉及动态范围较大的操作。如果发现 Loss 出现 NaN可以关闭混合精度或者把部分计算转为 fp32 后再进行。5.2 验证时应该怎么比较模型训练过程中要定期在验证集上计算 PSNR、SSIM 和 LPIPS。不要只保存最后一个 epoch而应该保存验证指标最优的 checkpoint。建议按下面的逻辑记录每一个 epoch 结束时在固定验证集上跑一次推理。计算 PSNR、SSIM、LPIPS。将结果写入 CSV 文件方便后续排序。同时保存一张可视化的对比图包括低光图、预测图、标签图。可视化比指标更能暴露问题。模型可能 PSNR 很高但颜色发灰也可能 SSIM 不错但暗部一团黑。只有看图像才能判断是否存在偏色、过曝、噪点残留等问题。5.3 推理和提交文件生成推理阶段要和训练阶段保持完全一致的数据处理流程。一个常见错误是训练时使用 BGR 读图推理时换成了 PIL 的 RGB导致结果偏色。推理脚本建议固定使用相同库和相同路径。def inference(model, low_path, out_path, device): low cv2.imread(low_path).astype(np.float32) / 255.0 low_t torch.from_numpy(low.transpose(2, 0, 1)).unsqueeze(0).float().to(device) with torch.no_grad(): pred model(low_t) pred pred.squeeze(0).permute(1, 2, 0).clamp(0, 1).cpu().numpy() pred np.uint8(pred * 255.0) cv2.imwrite(out_path, pred)生成提交文件时要检查输出图像尺寸是否和输入保持一致。输出是否被正确裁剪到 0 到 255 的整数范围。文件名和目录结构是否符合官方要求。是否包含 alpha 通道或额外信息。是否使用无损 PNG而不是质量压缩过的 JPG。6. 常见问题排查从现象定位到修复6.1 Loss 下降但 PSNR 不涨表现训练 loss 持续降低但验证集 PSNR 在某个数值附近不动甚至下降。可能原因模型容量不够无法表达更复杂的增强映射。损失函数与评价指标不一致L1 优化方向与 PSNR 并不完全相同。验证集和训练集分布差异大。数据增强太强模型在验证集上泛化不足。排查方式先去掉所有数据增强复跑观察 PSNR 是否恢复。在训练集上计算 PSNR如果训练集指标也很低说明模型容量或训练策略有问题。如果训练集指标高、验证集指标低优先考虑过拟合和数据分布问题。6.2 输出发灰、偏色或过曝表现预测图像整体发灰对比度不足或者暗部变亮但颜色发青、发黄亮部严重过曝。可能原因模型输出被直接加在输入上但残差学习将大量像素推向中间灰。训练数据中正常光图像白平衡不统一。亮部区域在损失函数中被一视同仁导致过曝。通道顺序不一致造成颜色通道错乱。排查方式先检查输入和标签的通道顺序是否一致。对输出做直方图统计看是不是集中在 0.4 到 0.7。在少量样本上观察预测和标签的差值图判断是否出现系统性偏移。解决方向加入对比度损失或 SSIM 损失。对图像高光区域做权重下降。使用全局特征调制或颜色校正模块。6.3 训练到一半显存不足表现前几个 epoch 正常随着 training 进行显存占用持续增长最后抛出CUDA out of memory。可能原因验证阶段累积了计算图。DataLoader 的 num_workers 设置不当。没有定时清理验证用的中间变量。图像尺寸变大或 batch size 设置过大。排查方式在验证代码里使用with torch.no_grad()。在循环里使用torch.cuda.empty_cache()但这只是缓解手段。使用nvidia-smi观察显存占用曲线。推荐做法训练和验证共用一个 GPU 时先在验证阶段释放显存。如果使用torch.cuda.amp确认参数更新逻辑正确。不要在每个 iteration 里创建新的 loss 函数实例或保存过多历史 tensor。6.4 本地指标和官方提交结果不一致表现本地验证 PSNR 很高但官方测试集分数明显偏低或者相反。可能原因本地验证集和官方测试集来源不同分布不一致。图像预处理不一致例如缩放方式、边界填充、通道顺序。官方评估时对图像范围有特殊处理比如要求输出 uint8 而本地直接比较浮点图像。提交格式错误导致官方读图失败。排查方式对照官方示例代码重建评估流程。用官方提供的 sample submission 跑一遍确认输出完全符合要求。将本地保存的图像下载后重新读回再计算指标确认没有写入伪影。解决方向统一使用无损 PNG 保存。在提交前写一个自检脚本校验文件名、数量和图像尺寸。7. 备赛最佳实践与最终检查清单7.1 先跑通固定随机种子的小规模实验竞赛中最大的时间浪费是流程不稳定。建议在正式训练前固定所有随机种子用 10 张训练图、1 张验证图做 2 个 epoch 的小实验。这个阶段不看效果只看是否能正常前向、反向、保存 checkpoint、加载推理。小实验确认没问题后再扩展到完整数据和更大模型。固定随机种子示例import random import numpy as np import torch def set_seed(seed): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed)固定随机种子不能保证跨设备完全一致但至少可以排除大部分数据加载和参数初始化问题。7.2 建立实验记录表参加 NTIRE 这类挑战会做大量实验。建议用表格记录每一组实验的可复现信息实验编号模型结构损失组合输入尺寸Batch学习率数据增强PSNRSSIMLPIPS备注001SimpleEnhanceNetL125681e-4无18.20.710.23基线002SimpleEnhanceNetL1SSIM25681e-4翻转裁剪19.10.780.19加入 SSIM 后更好003CurveNetL1LPIPS32045e-5合成低光19.80.810.16候选方案记录表不只是给自己看也是为了在调试时快速定位哪一次改动影响了指标。没有记录表的竞赛实验很容易陷入“改了很多但不知道为什么变好”的状态。7.3 最终提交前的检查清单提交前至少花一个小时做完整检查而不是直接上传。下面这张清单可以复用检查项操作是否通过推理脚本路径确认使用最终 checkpoint不是中间临时版本待确认预处理一致性确认训练和推理使用相同读图库、通道顺序、范围待确认输出格式确认输出尺寸、位深、通道数、文件名符合要求待确认图像范围确认输出在 0 到 255 内类型为 uint8待确认测试集覆盖确认所有测试图都成功推理没有遗漏待确认本地评估复跑用官方样例提交跑通本地评估确认分数稳定待确认异常样本检查随机抽查 10 张结果观察是否出现过曝或偏色待确认硬件稳定性推理全程记录显存和日志确认没有中途崩溃待确认结果备份将最终结果压缩备份记录 SHA256待确认7.4 扩展方向与实际项目落地建议如果已经跑通基线并提升了指标可以再考虑三个扩展方向。第一使用先进的恢复骨干网络。比如结合 Swin Transformer 局部窗口注意力的结构或使用 Restormer 中基于通道注意力的设计能够更好地建模全局光照关系。但这需要足够数据和显存建议在基线上验证收益后再集成。第二引入 RAW 域信息。RAW 图保留了更多暗部信息低光增强在 RAW 域处理通常比 sRGB 域更容易获得真实细节。如果挑战提供 RAW 数据值得投入人力做 RAW 到 RGB 的完整 pipeline。第三做模型集成和测试时增强。多个模型预测取平均或在推理时对输入做翻转和颜色抖动再做反变换通常能稳定提升 PSNR 和 SSIM。代价是推理时间增加如果挑战对速度没有硬性要求这是很直接的提分手段。落到实际项目里最需要注意的是模型不能只在竞赛指标上表现好还要考虑落地时的运行环境。轻量网络、半精度推理、ONNX 导出、批处理接口都是低光增强产品化的常见要求。竞赛结束后把验证集、训练配置、最佳模型和推理脚本一起整理成文档方便后续复现和迁移到真实场景。低光增强是典型的“输入质量差算法上限依赖数据和处理细节”的任务。把数据读取、指标计算、损失函数、训练验证流程全部跑通再针对 Twilight 场景的暗部细节、噪声和动态范围做定向优化才能在 NTIRE 2026 这样竞争激烈的挑战中拿到稳定的成绩。如果你现在还在准备阶段先从 2.2 节的数据读取开始一步一步把基线搭起来后面所有实验都会顺利得多。