EDSR/WDSR/SRGAN单张图片超分辨率，Tensorflow 2.0参考Python代码实现。

5星

浏览量: 0

大小:None

文件类型：None

简介：
基于 TensorFlow 2.0 框架的 EDSR、WDSR 和 SRGAN 模型实现，能够有效达成单图像超分辨率任务。这些模型在单图像超分辨率方面展现出卓越的性能，其中 EDSR 作为 NTIRE 2017 超分辨率挑战赛的优胜者，WDSR 则凭借其 Wide Activation 设计，在 NTIRE 2018 超分辨率挑战（真实轨迹）中脱颖而出。此外，SRGAN 通过采用生成对抗网络技术，实现了逼真的单图像超分辨率效果。本次重写是对先前基于 Keras/Tensorflow 1.x 的实现的一次全面升级与优化，并提供完整的代码可供使用。值得注意的是，部分功能仍处于开发阶段，但用户可以通过高级训练 API 来训练论文中所述的模型。同时，您也可以在 SRGAN 的架构下对 EDSR 和 WDSR 模型进行进一步的微调。笔记本文件中包含了详细的训练和使用示例，例如 example-edsr.ipynb、example-wdsr.ipynb 和 example-srgan.ipynb。DIV2K 数据提供者将自动下载指定比例（2、3、）的数据集以供使用。

全部评论 (0)

还没有任何评论哟~

客服

基于TensorFlow 2.0的EDSR、WDSR和SRGAN单张图像超分辨率Python代码示例

优质

本项目提供利用TensorFlow 2.0实现的三种深度学习模型（EDSR、WDSR、SRGAN）代码，用于提升单张低分辨率图像至高分辨率。本项目基于TensorFlow 2.0实现了EDSR、WDSR 和 SRGAN三种模型的单图像超分辨率技术。其中： - EDSR（增强型深度残差网络）是NTIRE 2017年超分辨率挑战赛中的获胜者。 - WDSR（具有广泛激活功能的高效准确图像超级分辨率）在NTIRE 2018年的超分辨率真实轨迹竞赛中胜出。 - SRGAN使用生成对抗网络实现逼真的单图像超分辨率。这是对旧版基于Keras/TensorFlow 1.x版本的一个全面重写。尽管当前项目仍在开发阶段，但您已经可以通过高级训练API来训练论文中所述的模型了。此外，在SRGAN框架下，您可以微调EDSR和WDSR模型以适应特定需求。本项目提供了几个使用示例： - example-edsr.ipynb - example-wdsr.ipynb - example-srgan.ipynb 另外，DIV2K数据提供者支持自动下载不同比例（如2倍、3倍等）的数据集。

Keras图像超分辨率：EDSR、RCAN、SRGAN、SRFEAT、ESRGAN

优质

本项目探讨了使用Keras实现的几种先进的深度学习模型（如EDSR、RCAN、SRGAN、SRFEAT和ESRGAN），专注于提升图像质量，特别是在超分辨率领域。单图像超分辨率技术包括EDSR、SRGAN、SRFeat、RCAN、ESRGAN以及我们团队开发的ERCA算法。该项目的目标在于提升基础模型（即SRFeat）的表现力。为了运行这个项目，你需要先搭建好环境，并下载相应的数据集；之后要执行脚本处理这些数据，最后可以开始训练和测试网络模型了。我将分步骤指导你如何进行这项工作，希望说明足够清晰易懂。在一台配置为Core i7处理器、64GB RAM以及Titan XP GPU的机器上进行了项目测试。鉴于训练过程可能需要数天时间完成，请确保你的硬件环境（CPU/GPU）具备足够的性能，并且至少配备12GB以上的RAM。对于软件开发环境，我推荐使用virtualenv工具来创建一个隔离的工作空间——venv。你可以通过pip命令安装这个虚拟环境管理器： ``` pip install virtualenv ``` 接下来用Python3版本的virtualenv来生成名为“venv”的独立工作区： ``` python3 -m venv venv ```

基于TensorFlow的SRGAN算法在单幅图像超分辨率中的实现：SRGAN-tensorflow

优质

本项目采用TensorFlow框架实现了SRGAN算法，用于提升单幅低分辨率图像至高分辨率版本。通过深度学习技术，显著改善了图像细节与清晰度。 SRGAN-张量流介绍该项目是一个令人印象深刻的实现版本。基于v5版，在相同的设置下获得了结果。但由于资源有限，我使用包含8156张优质相机捕获的高分辨率图像的数据集来训练我的网络。如以下结果显示，在未使用imagenet数据集的情况下，性能接近该文中提出的结果。BSD100、Set14和Set5上的结果将在以后报告。一些比较结果如下： - 输入项：我们的结果与SRGAN及原版的对比 - 输入项：另一组测试案例中我们实现的效果与SRGAN以及原文中的表现依赖环境包括python2.7 和 tensorflow（已在r1.0， r1.2版本上进行过测试）。可以从相关平台下载并提取预训练模型。

SRGAN-PyTorch: 简单完整的超分辨率实现

优质

SRGAN-PyTorch是一款基于PyTorch框架开发的深度学习项目，旨在提供一个简洁而全面的解决方案，用于图像的超分辨率处理。该项目实现了生成对抗网络（SRGAN）技术，能够有效提升低分辨率图片的质量和细节表现力，使用户可以轻松地将模糊或小尺寸的照片转换为高清、细腻的大图。 SRGAN-PyTorch是一个存储库，其中包含了对生成对抗网络进行的逐点PyTorch重新实现。尽管使用更快、更深的卷积神经网络在单图像超分辨率方面取得了准确性和速度上的突破，但仍有一个主要问题尚未解决：当以较大的放大比例处理时，如何恢复更精细的纹理细节？基于优化的方法的行为很大程度上取决于目标函数的选择。最近的研究工作主要集中于最小化均方重构误差。虽然得出的结果具有很高的峰值信噪比（PSNR），但它们通常缺少高频细节，在视觉感知方面往往不如人意。在本段落中，我们介绍了SRGAN——一种用于图像超分辨率的生成对抗网络框架。据我们所知，这是第一个能够在4倍放大因子下推断出逼真自然图像的方法。为此，我们提出了一种基于感知损失的新方法来解决上述问题。

基于TensorFlow的单图像超分辨率增强型深度残差网络（EDSR）实现

优质

本研究利用TensorFlow框架实现了增强型深度残差网络（EDSR），专门针对单张图像进行超分辨率处理，显著提升了图像细节与清晰度。 EDSR的TensorFlow实现使用了TensorFlow框架，并且需要安装tqdm和argparse库，请通过运行`pip install -r requirements.txt`来完成相关依赖项的安装。为了训练模型，您必须执行以下操作：下载图像数据集（由于计算资源限制，我选择了特定的数据集），将所有这些图片放入指定目录中。之后可以使用命令行工具启动训练过程：在终端或命令提示符下输入 `python train.py --dataset data_dir` ，其中data_dir是包含所需图像的文件夹路径。为了在训练期间查看统计信息（例如，预览图和损失值），只需运行tensorboard并指定保存日志数据的位置即可。具体来说，请使用命令：`tensorboard --logdir your_save_directory` ，这里的your_save_directory应替换为实际的日志记录目录名称。

图像超分辨率的ESRGAN-tensorflow实现

优质

本项目是基于TensorFlow框架对ESRGAN算法的实现，专注于提升图像和视频的超分辨率效果，采用生成对抗网络技术增强图像细节。该资源为ESRGAN图像超分辨率模型的TensorFlow实现版本，复现了论文《Enhanced Super-Resolution Generative Adversarial Networks》的内容。

MATLAB版 EDSR (增强型深度超高分辨率) 单图像超分辨率 - MATLAB开发

优质

本项目为基于MATLAB实现的EDSR模型，用于单张图像的超分辨率处理，旨在提高图像清晰度和细节表现。 EDSR（增强型深度超分辨率）单图像超分辨率的Matlab实现。 **先决条件** - MATLAB 2020b及以上版本。 - 图像处理工具箱、统计和机器学习工具箱、深度学习工具箱以及并行计算工具箱。 **如何测试** 运行调用 EDSR_2xSuperResolution.m 的 EDSR_Test.m 文件，在EDSR_2xSuperResolution.m的第5行加载训练好的网络。 **对图像文件执行EDSR超分辨率的方法** 输入图像 MyPicture.jpg 应该是原始（非模糊）图像。使用 EDSR 神经网络将图像放大 2 倍，具体步骤如下： 1. 读取图片：`img = imread(MyPicture.jpg);` 2. 执行超分辨率操作：`imgSR = EDSR_2xSuperResolution(img);` 3. 输出处理后的图像文件：`imwrite（imgSR，“ MyPicture_2xEDSR.png”）;` 这样，输入的 768x1024 图像将被放大到 1536x2048 的超分辨率版本。

SRGAN图像超分辨率重建的Python实现及资源汇总（含数据集和代码）

优质

本文介绍了如何使用Python实现基于SRGAN的图像超分辨率技术，并提供了相关数据集与代码资源的汇总。基于深度学习的SRGAN图像超分重建算法的相关资源包括本人博客中介绍的实现代码、训练测试数据集及完整代码。代码已添加了详细的中文注释，并在博客中有对原理与代码的具体讲解，确保易于理解与使用。经过调试后，该代码能够顺畅运行。请注意，在利用COCO数据集进行模型训练时，请根据我的博客中提供的方法下载所需的数据集。此外，为了保证环境兼容性，请按照文档中的说明安装指定版本的Python环境和依赖库，避免出现不兼容的问题。

基于SRGAN的超分辨率图像重建

优质

本研究提出了一种利用SRGAN技术进行超分辨率图像重建的方法，旨在提升低分辨率图像的质量和细节表现。 SRGAN（超分辨率生成对抗网络）是一种用于图像超分辨率重建的技术。该技术通过深度学习方法将低分辨率的图片转换为高分辨率的图片，能够有效提升图像的质量与细节表现力。

基础超分辨率工具包，涵盖SRResNet、SRGAN、ESRGAN等-Python实现

优质

本项目提供一系列先进的图像超分辨率算法的Python实现，包括SRResNet、SRGAN及ESRGAN，助力于研究与应用开发。我们已经将BasicSR合并到了MMSR工具箱中：MMSR是基于PyTorch的开源图像和视频超分辨率解决方案。这是香港中文大学多媒体实验室开发的一个开放式mmlab项目的一部分。 MMSR继承了我们的前期工作，包括BasicSR、ESRGAN 和 EDVR等项目。我们已经更新了BasicSR工具箱（v0.1版本），几乎所有文件都有所改动，具体包括：支持PyTorch 1.1以及分布式训练的简化网络结构，并且对数据集进行了重写。