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

之前为应对计算机视觉课程而写的图像超分辨综述报告 以及平时实验室汇报做的retinaNetPPT

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。

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

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

基于卷积稀疏网络的脑部MR图像超分辨率重建

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 .