ESRGAN：增强的超分辨率生成对抗网络 用于图像超分辨率的Pipeine任务基于经常引用的论文（Wang Xintao等人），于2018年发布。 简而言之，图像超分辨率（SR）技术可从观察到的较低分辨率（LR）图像重建高分辨率（HR）图像或序列，例如将720p图像放大为1080p。 解决此任务的常用方法之一是使用能够从LR图像中恢复HR图像的深度卷积神经网络。 而ESRGAN（增强型SRGAN）就是其中之一。 ESRGAN的要点： 基于SRResNet的架构，带有残存残存块； 上下文，感性和对抗性损失的混合体。 使用上下文损失和感知损失来进行适当的图像放大，而对抗损失则使用鉴别器网络将神经网络推向自然图像流形，该鉴别器网络经过训练以区分超分辨图像和原始照片级逼真的图像。 技术领域 作为深度学习任务的管道运行者的Catalyst 。 这个新的，发展Swift的。 可以大大减少样板代

SRGAN-PyTorch 该资源库包含在纸上的非官方pyTorch实施SRGAN也SRResNet的，CVPR17。 我们密切关注原始SRGAN和SRResNet的网络结构，培训策略和培训设置。 我们还CVPR16将子像素卷积层实现为。 也分享了对该存储库的贡献。 许可和引文 所有代码和其他材料（包括但不限于表格）仅用于学术研究目的，不提供任何担保。 任何商业用途都需要我们的同意。 如果我们的工作对您的研究有所帮助，或者您在研究中使用了代码的任何部分，请适当确认： @InProceedings{ledigsrgan17,    author = {Christian Ledig and Lucas Theis and Ferenc Huszár and Jose Caballero and Andrew Cunningham and Alejandro Acosta and

行业分类-物理装置-基于改进SRGAN模型的超分辨率螺栓图像生成方法.zip

Easiest-SRGAN-demo 最简单的基于SRGAN网络的实现， 附带已训练好的模型及GIF生成代码， 更适合作为Demo展示。 Demo效果 上图就是训练了2000次后的模型的效果，只需要输入一张左边的低精度的图片， 就可以生成右边的高精度的图片。肉眼看上去效果还是非常不错的！ (由于GIF较大可能加载不出来) 这张GIF则展示了整个训练过程的变化， 左边的图是由神经网络生成的， 中间的是原始的高精度的图片， 右边的是输入到神经网络的低分辨率图片， ==神经网络在整个生成过程中是没有得到高精度图片信息的，这里给出高精度图片只是为了对比体现生成的效果==。可以看到在100次epoch迭代之后，性能已经非常不错了。 环境要求 训练模型 tensorflow or tensorflow-gpu > 1.10.0 keras = 2.2.4 生成自己的GIF图片 imageio pip

:rocket: 基本SR | | Google Colab： | :circled_M: :fast_down_button: Google云端硬盘： | :fast_down_button:百度网盘：| :file_folder: :fast_down_button: :fast_down_button:（提取码：basr） :chart_increasing: :laptop: :high_voltage: BasicSR（基本S- UPERřestoration）是基于PyTorch一个开源图像和视频恢复工具箱，如超分辨率，降噪，去模糊，JPEG伪像的去除，等等。 （ ， ， ， ） （ ， ， ， ） :sparkles: 新的功能 2020年11月29日。添加ESRGAN和DFDNet 。 2020年9月8日。添加盲人脸恢复推理代码： 。 2020年8月27日。添加StyleGAN2培训和测试代码： 。 更多的 2020年9月8日。添加盲人脸恢复推理代码： DFDNet 。 ECCV20：通过深度多尺度组件字典进行盲人脸恢

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

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

SRGAN-PyTorch 概述 该存储库包含对进行的逐点PyTorch重新实现。 目录 关于使用生成对抗网络的逼真的单图像超分辨率 如果您不熟悉SRGAN，请直接从本文中摘录以下内容： 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，但仍然存在一个主要问题仍未解决：当在较大的放大比例下进行超分辨率处理时，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决定。 最近的工作主要集中在最小化均方重构误差上。 得出的估计值具有很高的峰值信噪比，但是它们通常缺少高频细节，并且在某种意义上说它们无法满足更高分辨率下的保真度，因此在感觉上并不令人满意。 在本文中，我们介绍了SRGAN，这是一种用于图像超分辨率（SR）的生成对抗网络（GAN）。 据我们所知，它是第一个能够为4倍放大因子推断出逼真的自然图像的框架。 为此，我们提出了一种感知损失函