图像超分辨率重建（ 适合初学超分辨率重建使用 图像超分辨率 SR工具箱）

image_super_resolution 一个旨在提高Image Super Resolution深度学习原理/框架/工具的项目。 参考 该项目从以下项目中复制了很多代码和构想： 网络 该模型基于RRDN和GAN。 损失和超参数 HR与SR之间产生损失L1损失 GAN损失，SR的鉴别器损失 功能损失：HR和SR通过VGG block2_conv2 / block5_conv4 L2损失，block2_conv2和block5_conv4输出的损失值处于不同级别 鉴别器损耗（真实/伪造）用于鉴别器网络 首先，不同的损失是不统一的。 其次，模型需要重量损失以达到预期效果。 超参数用于在训练发电机时平衡发电损耗，感冒损耗和壮举损耗。

基于稀疏表示和正则化的图像超分辨率matlab程序

中文翻译

张量流 概述 这是Tensorflow实现，用于 。 要下载培训/测试所需的数据，请参阅数据目录中的README.md。 档案文件 VDSR.py：主要培训文件。 MODEL.py：模型定义。 MODEL_FACTORIZED.py：因式分解CNN的模型定义。 （不建议使用。仅用于记录目的） PSNR.py：定义如何在python中计算PSNR TEST.py：测试所有保存的检查点 PLOT.py：从TEST.py绘制测试结果 如何使用 训练 # if start from scratch python VDSR.py # if start with a checkpoint python VDSR.py --model_path ./checkpoints/CHECKPOINT_NAME.ckpt 测验 # this will test all the checkpoint

内含Set5,Set14,91image,General-100,BSD100(test),BSD200(train),BSD500等常见超分辨率重建数据集

ppt 需要自取～～

该资源中，论文中英文版本资源都有，Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network 这篇文章的中文翻译 中文名：使用生成对抗网络的逼真的单图像超分辨率 通过谷歌翻译百度翻译等多种翻译单句单句翻译的，格式和公式已经矫正过了，没有乱码。GAN的经典文章，学习生成对抗网络的著名论文，优质翻译你值得拥有，谁用谁知道！

通过SRCNN进行水下图像增强 一种水下图像增强方法和相应的图像超分辨率算法。 使用的算法： 图像增强技术。 超分辨率卷积神经网络 Retinex算法伽玛校正。 黑暗先验。 进一步阅读：使用SRCNN.pptx进行水下图像增强 SRCNN训练模型：my_modelSRCNN.h5 用于实施的参考文件：Underwater2.pdf

图像超分辨率重建研究存在结果客观衡量指标不断变优，但是视觉感知质量依旧平滑的问题。同时，应用生成对抗网络的超分辨率模型中的鉴别器（discriminator）设计存在一个普遍的问题，即训练不稳定问题。针对以上问题作出两点改进：提出多损失融合的方法，寻求一种在PSNR指标与感知质量之间的平衡，通过将均方误差损失、感知损失、风格损失与对抗损失进行融合的方法，在提高PSNR值的同时，改善图像视觉质量；在基于生成对抗网络的超分辨率模型的鉴别器设计中引入谱归一化（spectral normalization），以实现更稳定有效的训练。结果显示，改进后的方法得到了更高的PSNR指标与更逼真的视觉感知质量，并进一步表明感知质量对于超分辨率重建的重要性。