配套文章：https://blog.csdn.net/qq_36584673/article/details/136861864 文件说明： benchmark_results：保存不同倍数下测试集的测试结果 data：存放数据集的文件夹，包含训练集、测试集、自己的图像/视频 epochs：保存训练过程中每个epoch的模型文件 statistics：存放训练和测试的评估指标结果 training_results：存放每一轮验证集的超分结果对比，每张图像5行3列展示 data_utils.py：数据预处理和制作数据集 demo.py：任意图像展示GT、Bicubic、SRGAN可视化对比结果 draw_evaluation.py：绘制Epoch与Loss、PSNR、SSIM关系的曲线图 loss.py：损失函数 model.py：网络结构 test_benchmark.py：生成benchmark测试集结果 test_image.py：生成任意单张图像用SRGAN超分的结果 test_video.py：生成SRGAN视频超分的结果 train.py：训练SRGAN 使用方法见文章。

基于深度学习的SRGAN图像超分重建算法，该资源为本人博客https://wuxian.blog.csdn.net/article/details/125034820中介绍的算法实现代码，包含训练测试数据集和完整代码，代码中已添加完整中文注释，详细原理和代码介绍请参考博客内容。代码已经过调试，可完美运行，关于训练用的COCO数据集下载请见博客给出，注意：请按照博客中给定的python环境和依赖库版本进行安装，否则可能会出现环境不兼容问题。

srgan-tensorflow超分辨率图像重建

尽管使用更快更深的卷积神经网络在单图像超分辨率的准确性和速度方面取得了突破，但一个核心问题仍然很大程度上未解决：当我们在大的升级因子上超分辨时，我们如何恢复更精细的纹理细节？基于优化的超分辨率方法的行为主要由目标函数的选择驱动。近期工作主要集中在最小化均方重建误差。由此产生的估计具有高峰值信噪比，但它们通常缺乏高频细节，并且在感知上它们不能满足在较高分辨率下预期的保真度的感觉上不满意。在本文中，我们提出了SRGAN，一种用于图像超分辨率（SR）的生成对抗网络（GAN）。据我们所知，它是第一个能够推断4倍放大因子的照片般逼真的自然图像的框架。为实现这一目标，我们提出了一种感知损失函数，它包括对抗性损失和内容丢失。对抗性损失使用鉴别器网络将我们的解决方案推向自然图像流形，该网络经过训练以区分超分辨率图像和原始照片真实图像。另外，我们使用由感知相似性驱动的内容丢失而不是像素空间中的相似性。我们的深度残留网络能够在公共基准测试中从严重下采样的图像中恢复照片般逼真的纹理。广泛的平均意见得分（MOS）测试显示使用SRGAN在感知质量方面获得了巨大的显着提升。使用SRGAN获得的MOS分数比使用任何

SRGAN 基于CVPR 2017论文的SRGAN的PyTorch实现。

SRGAN源码

我们已经将BasicSR合并为MMSR:grinning_face_with_smiling_eyes:MMSR是基于PyTorch的开源图像和视频超分辨率工具箱。 这是香港中文大学多媒体实验室开发的开放式mmlab项目的一部分。 MMSR基于我们的产品我们已经将BasicSR合并到MMSR中:grinning_face_with_smiling_eyes:MMSR是基于PyTorch的开源图像和视频超分辨率工具箱。 这是香港中文大学多媒体实验室开发的开放式mmlab项目的一部分。 MMSR基于我们之前的项目：BasicSR，ESRGAN和EDVR。 SR我们已更新了BasicSR工具箱（v0.1）。 几乎所有文件都有更新，包括：支持PyTorch 1.1和分布式培训简化网络结构更新数据集

快速SRGAN 该存储库的目标是实现实时超分辨率，以对低分辨率视频进行升采样。 目前，该设计遵循架构。 但是代替残差块，采用反向残差块以提高参数效率和快速操作。 这种想法在某种程度上受到。 培训设置如下图所示： 速度基准 通过平均800帧以上的运行时间获得以下运行时间/ fps。 在GTX 1080上测得。 输入图像尺寸 输出尺寸 时间（秒） 第一人称射击 128x128 512x512 0.019 52 256x256 1024x1024 0.034 30 384x384 1536x1536 0.068 15 我们看到有可能以30fps的速度将其上采样到720

MMSR MMSR是基于PyTorch的开源图像和视频超分辨率工具箱。 这是香港中文大学多媒体实验室开发的开放式mmlab项目的一部分。 MMSR基于我们之前的项目：BasicSR，ESRGAN和MMSR MMSR是基于PyTorch的开源图像和视频超分辨率工具箱。 这是香港中文大学多媒体实验室开发的开放式mmlab项目的一部分。 MMSR基于我们之前的项目：BasicSR，ESRGAN和EDVR。 重点介绍适用于图像和视频超分辨率任务的统一框架。 它也很容易适应其他恢复任务，例如去模糊，去噪等。技术水平：它包括竞赛中的几种获胜方法：例如ESRGAN（PIR

在PyTorch和PyTorch Lightning中生成深度学习模型的实现 DCGAN 论文： 作者：Alec Radford，Luke Metz，Soumith Chintala 代码（PyTorch）： 由 码（闪电）： 由 去做 DCGAN Pix2Pix 循环GAN SRGAN