SRGAN-张量流 介绍 该项目是的令人印象深刻的流实现。 从上的v5版按照相同的设置获得结果。 但是,由于资源有限,我在上训练我的网络,该包含8156张优质相机捕获的高分辨率图像。 如下面的结果所示,在不使用imagenet训练集的情况下,性能接近本文中提出的结果。 BSD100,Set14,Set5上的结果将在以后报告。 该代码受到极大启发。 一些结果: 我的实现和本文中一些结果的比较 输入项 我们的结果 SRGAN结果 原版的 输入项 我们的结果 SRGAN结果 原版的 依赖 python2.7 tensorflow(在r1.0,r1.2上测试) 从我的下载并提取预训练的模型 从
1
EDSR Tensorflow实施 使用Tensorflow编写的的的实现。 要求 张量流 科学的 tqdm argparse 安装 pip install -r requirements.txt 训练 为了训练,您必须做一些事情... 下载图像数据集(由于我的计算限制,我使用了 ) 将来自该数据集的所有图像放入该图像下的目录中 运行python train.py --dataset data_dir其中data_dir是包含图像的目录 为了在训练期间查看统计信息(图像预览,标量为损失),只需运行tensorboard --logdir your_save_directory ,其中y
1
基于卷积稀疏网络的脑部MR图像超分辨率重建
2021-04-05 12:05:11 727KB 研究论文
1
超分辨率图像处理 从几幅图象中提取像素合成新的比较清晰的图像-super-resolution image processing images from pieces of pixels from the synthesis of new clearer images 文件列表(点击判断是否您需要的文件): superresolution_v_2.0 .....................\.DS_Store .....................\application .....................\...........\.DS_Store .....................\...........\applicability.m .....................\...........\c2p.m .....................\...........\Contents.m .....................\...........\create_images.m .....................\...........\estimate_motion.m .....................\...........\estimate_rotation.m .....................\...........\estimate_shift.m .....................\...........\generatePSF.m .....................\...........\generation.fig .....................\...........\generation.m .....................\...........\gpl .....................\...........\html .....................\...........\....\.DS_Store .....................\...........\....\SR_about.html .....................\...........\....\SR_documentation.html .....................\...........\interpolation.m .....................\...........\iteratedbackprojection.m .....................\...........\keren.m .....................\...........\keren_shift.m .....................\...........\logo_epfl_small.tif .....................\...........\logo_warning.tif .....................\...........\lowpass.m .....................\...........\lucchese.m .....................\...........\marcel.m .....................\...........\marcel_shift.m .....................\...........\n_conv.m .....................\...........\n_convolution.m .....................\...........\papoulisgerchberg.m .....................\...........\pocs.m .....................\...........\robustnorm2.m .....................\...........\robustSR.m .....................\...........\shift.m .....................\...........\SR_about.m .....................\...........\SR_documentation.m .
2021-03-29 19:30:09 125KB 图像超分辨率重建matlab源码
1
具有EDSR,WDSR和SRGAN的单图像超分辨率 基于的实现 (EDSR)的超分辨率挑战赛冠军。 (WDSR),是超分辨率挑战赛(真实轨道)的获胜者。 (SRGAN)。 这是对可用的基于Keras / Tensorflow 1.x的旧实现的完整重写。 某些部分仍在进行中,但是您已经可以通过高级培训API如本文中所述训练模型。 此外,您还可以在SRGAN上下文中EDSR和WDSR模型。 笔记本中提供了和示例 DIV2K自动下载给定比例(2、3、4或8)和降级运算符(“ bicubic”,“ unknown”,“ mild”或“ difficult”)的培训和验证图像。 重要提示:如果
2021-03-09 12:11:18 8.25MB tensorflow keras super-resolution srgan
1
近几年应用在单幅图像超分辨率重建上的深度学习算法都是使用单种尺度的卷积核提取低分辨率 图像的特征信息,这样很容易造成细节信息的遗漏。另外,为了获得更好的图像超分辨率重建效果,网络模型也不 断被加深,伴随而来的梯度消失问题会使得训练时间延长,难度加大。针对当前存在的超分辨率重建中的问题,结合 GoogleNet 思想、残差网络思想和密集型卷积网络思想,提出一种多尺度密集残差网络模型。方法 使 用 3 种不同尺度卷积核对输入的低分辨率图像进行卷积处理,采集不同卷积核下的底层特征,这样可以较多地提 取低分辨率图像中的细节信息,有利于图像恢复。再将采集的特征信息输入残差块中,每个残差块都包含了多个 由卷积层和激活层构成的特征提取单元。另外,每个特征提取单元的输出都会通过短路径连接到下一个特征提取 单元。短路径连接可以有效地缓解梯度消失现象,加强特征传播,促进特征再利用。接下来,融合 3 种卷积核提取 的特征信息,经过降维处理后与 3 × 3 像素的卷积核提取的特征信息相加形成全局残差学习。最后经过重建层,得 到清晰的高分辨率图像。整个训练过程中,一幅输入的低分辨率图像对应着一幅高分辨率图像标签,这种端到端 的学习方法使得训练更加迅速。使用两个客观评价标准 PSNR( peak signal-to-noise ratio) 和 SSIM( structural similarity index) 对实验的效果图进行测试,并与其他主流的方法进行对比。最终的结果显示,本算法在 Set5 等 多个测试数据集中的表现相比于插值法和 SRCNN 算法,在放大 3 倍时效果提升约 3. 4 dB 和 1. 1 dB,在放大 4 倍时提 升约 3. 5 dB 和1. 4 dB
2021-03-07 19:12:38 787KB 超分辨率 深度学习 算法 图像处理
1
卷积稀疏编码实现图像超分辨率
2021-03-03 09:09:01 1.19MB 研究论文
1
针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。
2021-03-01 17:05:38 7.66MB 图像处理 图像超分 自注意力 感知损失
1
通过2D非局部稀疏表示的单图像超分辨率
2021-02-26 13:05:04 1.25MB 研究论文
1
基于自适应联合分布建模的图像超分辨率
2021-02-26 12:05:11 1.37MB 研究论文
1