Advertisement

Python-MetaSR: 一种用于超分辨率放大的通用网络（CVPR 2019, PyTorch）

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
Python-MetaSR是一种在CVPR 2019上提出的基于PyTorch框架的超分辨率放大技术，适用于多种图像放大任务，具有广泛的适用性和高效性。 Meta-SR是一个用于超分辨率的放大任意网络（CVPR2019），使用PyTorch实现。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Python-MetaSR: 一种用于超分辨率放大的通用网络（CVPR 2019, PyTorch）
    优质
    Python-MetaSR是一种在CVPR 2019上提出的基于PyTorch框架的超分辨率放大技术，适用于多种图像放大任务，具有广泛的适用性和高效性。 Meta-SR是一个用于超分辨率的放大任意网络（CVPR2019），使用PyTorch实现。
     
  • USRNet：基于深度展开的图像超分辨率网络（CVPR 2020，PyTorch）
    优质
    USRNet是一种先进的图像超分辨率技术，利用深度学习和PyTorch框架，在CVPR 2020上展示，通过深度展开方法提升图像质量。 经典超分辨率（SISR）退化模型假设低分辨率（LR）图像为高分辨率（HR）图像的模糊、下采样以及加噪版本。从数学上讲，可以表示为： \[ I_{\text{LR}} = I_{\text{HR}} \ast h + n \] 其中 \(I_{\text{LR}}\) 是低分辨率图像，\(I_{\text{HR}}\) 是高分辨率图像，\(h\) 表示二维卷积中的模糊核。符号“\(\ast\)”表示卷积运算。下采样操作通常采用标准的倍数向下采样器来实现，即保留每个不同像素对应的左上角像素，并丢弃其他信号。 噪声 \(n\) 一般假设为加性高斯白噪声（AWGN），其强度由方差或噪声水平决定。通过设定适当的模糊核、比例因子和噪音参数，可以近似各种低分辨率图像的生成过程。这种方法在基于模型的方法中得到了广泛应用，尤其是在最大后验概率（MAP）框架下同时解决数据项与先验项的问题上取得了显著成果。
     
  • RDN-pytorch：基于PyTorch的残差密集网络图像超分辨率实现（CVPR 2018）
    优质
    RDN-pytorch是基于PyTorch框架实现的残差密集网络（Residual Dense Network）项目，用于提升图像超分辨率效果。该代码库实现了CVPR 2018论文中的方法。 RDN 存储库要求使用以下软件版本：PyTorch 1.0.0、脾气暴躁的1.15.4（这里的“脾气暴躁”可能是指另一个特定版本或组件，原文如此）、枕具5.4.1、h5py 2.8.0 和 tqdm 4.30.0。DIV2K和Set5数据集可以转换为HDF5格式，并且可以从指定链接下载相关文件。 以下是数据集的规模类型关联： - DIV2K：训练用（x2, x3, x4）、评估用（x2, x3, x4） - Set5：训练用、评估用 或者，您可以使用prepare.py脚本创建自定义数据集。运行命令如下所示： ``` python train.py --train-file BLAH_BLAH/DIV2K_x4.h5 \ --eval-file BLAH_BLAH/Set5_x4.h5 \ --outputs-dir BLAH_BLAH/outputs ```
     
  • 基于PyTorch的RDN实现：利用残差密集网络进行图像超分辨率（CVPR 2018）- 源码
    优质
    这段代码是基于PyTorch框架实现的残差密集网络(RDN)项目，用于执行图像超分辨率任务。该方法源于CVPR 2018会议论文，旨在提供高质量的大规模图像恢复方案。 RDN存储库要求使用PyTorch 1.0.0、pillow 5.4.1、h5py 2.8.0 和 tqdm 4.30.0。可以下载转换为HDF5格式的DIV2K和Set5数据集，用于训练和评估模型。 以下是数据集的具体规模及类型关联： - DIV2K：包含2个训练集合与3个验证集合。 - Set5：包括2个训练集合、3个评估集合以及4个测试集合。 或者，您也可以使用`prepare.py`脚本创建自定义的数据集。例如，您可以运行以下命令进行模型的训练和评估： ```shell python train.py --train-file BLAH_BLAH/DIV2K_x4.h5 \ --eval-file BLAH_BLAH/Set5_x4.h5 \ --outputs-dir BLAH_BLAH/outputs ``` 请根据实际路径替换`BLAH_BLAH`。
     
  • L3C-PyTorch: CVPR 2019 论文《实用全分辨率学习无损图像压缩》的 PyTorch 实现
    优质
    L3C-PyTorch是CVPR 2019论文《实用全分辨率学习无损图像压缩》的PyTorch实现，致力于提供一种高效、灵活的框架以进行无损图像压缩研究。 我们提出了首个实用的学习无损图像压缩系统L3C，并证明其优于流行的工程编解码器PNG、WebP及JPEG2000。我们的方法核心在于采用了一种针对自适应熵编码的完全并行化分层概率模型，该模型经过优化以实现端到端的高效压缩任务处理。 与最近提出的自回归离散概率模型（如PixelCNN）不同，L3C不仅对图像分布进行建模，并且结合了学习辅助表示；此外，它仅需三个前向传递即可预测所有像素的概率值，而无需为每个单独像素执行一次。因此，在采样时，与最快的PixelCNN变体Multiscale-PixelCNN相比，L3C的效率提高了两个数量级以上。
     
  • PyTorch中Python-DRRN超分辨率的实现
    优质
    本项目在PyTorch框架下实现了基于Python的深度残差递归神经网络（DRRN）图像超分辨率技术，用于提升图像清晰度和细节表现。 Deep Recursive Residual Network for Super Resolution (DRRN) was presented at CVPR 2017.
     
  • MSRN-PyTorch: PyTorch版“用于图像超分辨率的多尺度残差网络”(ECCV 2018)存储库
    优质
    MSRN-PyTorch是基于PyTorch实现的图像超分辨率项目，复现了2018年ECCV论文《Multi-scale Residual Network for Image Super-Resolution》中的多尺度残差网络模型。 MSRN_PyTorch是论文“用于图像超分辨率的多尺度残差网络”的官方PyTorch实现。可以从相关平台下载该论文，并获取所有测试数据集（预处理后的HR图像）。原始测试数据集（HR图像）也可以从相应的资源库中获得。我们的模型直接在Y通道上进行训练和测试，但许多其他SR模型则是在RGB通道上训练的。为了公平比较，我们根据代码对MSRN进行了重新训练，并发布了该项目的新代码和结果。旧代码被移到OLD文件夹中，新代码存储在MSRN文件夹内。 更新2019.06.12.1：先前提供的再训练模型使用的是DIV2K（1-895）数据集。我们已经纠正了这一错误，并提供了重新训练的模型（基于DIV2K 1-800的数据集），以及新的结果。我们现在还提供x8的结果！请留意，我们的训练仅使用了前800张图像（即DIV2K 1-800）进行，测试则采用最新的权重文件。
     
  • 基于MATLAB的超分辨率代码-VSRNet_PyTorch: PyTorch版利用卷积神经网络进行视频超分辨率论文的实现
    优质
    这段代码是基于PyTorch实现了使用卷积神经网络进行视频超分辨率的技术，参考了MATLAB版本的VSRNet，并遵循相关研究论文。适合于对视频增强和深度学习感兴趣的开发者和研究人员。 超分辨率Matlab代码虚拟网络VSRNet的PyTorch实现（带卷积神经网络的视频超分辨率）要求使用以下命令安装PyTorch： - 对于CUDA 8.0，可以使用如下命令： ``` conda install pytorch torchvision -c csoumith # 如果已安装了cuda8.0，请按此方式安装。 ``` 另外还需要安装其他相关库，例如： - PyTorchNet可以通过以下命令进行安装： ``` pip install git+https://github.com/pytorch/tnt.git@master ``` - 安装tqdm: ``` pip install tqdm ``` - 安装OpenCV和tensorboard_logger: ``` conda install -c conda-forge opencv pip install tensorboard_logger ``` - h5py可以通过以下命令安装： ``` conda install h5py ``` 数据集包括训练、验证以及测试视频。其中，训练和验证的数据集是从特定资源中抽取的。选择这个数据集的原因是想将基于单帧的SRCNN扩展到多帧的VSRNet上进行研究。
     
  • SRGAN_超分辨率重建_生成对抗网络_超分辨率
    优质
    简介：SRGAN利用生成对抗网络技术，在图像超分辨率领域取得突破性进展，通过深度学习方法将低分辨率图像提升至高分辨率，同时保持自然度和细节。 对抗生成网络超分辨重建是指利用生成对抗网络完成图像的超分辨率重建任务。
     
  • 使用PyTorch实现SRCNN超分辨率模型
    优质
    本项目采用PyTorch框架实现了SRCNN（Super-Resolution Convolutional Neural Network）模型，用于图像超分辨率处理，可有效提升低分辨率图像的清晰度和细节。 针对初学者使用指南：确保数据集文件已解压并放置在D盘上。然后，在终端按照README中的指示运行train或test部分的内容。建议使用绝对路径，并将参数num_workers设置为0，以适应大多数电脑的配置需求。整个过程仅需4积分，实际上等同于免费提供。如有任何问题，请联系博主，私信将会得到回复。