用于真实图像超分辨率的深循环生成对抗性残差卷积网络（SRResCycGAN） 网络的官方PyTorch实现，如论文。 这项工作以高x4放大系数参加了挑战赛道3。 抽象的 最近基于深度学习的单图像超分辨率（SISR）方法主要是在干净的数据域中训练其模型，其中低分辨率（LR）和高分辨率（HR）图像来自无噪声设置（相同域）到双三次降采样假设。 但是，这种降级过程在实际环境中不可用。 我们考虑到深度循环网络结构，以保持LR和HR数据分布之间的域一致性，这是受CycleGAN在图像到图像翻译应用程序中最近成功的启发。 通过以端对端方式从LR到HR域转换的生成对抗网络（GAN）框架进行训练，我们提出了超分辨率残留循环生成对抗网络（SRResCycGAN）。 我们在定量和定性实验中证明了我们提出的方法，该方法很好地推广到了真实图像的超分辨率，并且很容易部署到移动/嵌入式设备中。 此外，我们在AIM 2

matlab cplex代码IEEE-123-节点恢复 该存储库包含基于以下论文中详述的方法恢复 IEEE 123 节点的代码： [1] S. Poudel 和 A. Dubey，“将分布式能源用于弹性配电系统的临界负载恢复”。 IEEE 电力系统交易 34.1 (2018)：52-63。 脚本是用 MATLAB 2016a 编写的，优化需要将 MATLAB 与 CPLEX 链接。 请熟悉混合整数线性规划。 只需在 MATLAB 命令行窗口中执行以下步骤，即可将 MATLAB 与 CPLEX 链接： 包含 CPLEX 类和工具箱的头 m 文件、解析的 p 文件和 mex 文件。 addpath ('CPLEX 安装目录\cplex\matlab\x64_win64') 保存路径 包含 CPLEX API 使用的 MATLAB 示例。 addpath ('CPLEX 安装目录\cplex\examples\src\matlab') 保存路径

固态继电器 PyTorch实施具有梯度引导的保留结构超分辨率（CVPR 2020）[ ] [ ] 如果您发现我们的工作对您的研究有用，请考虑引用： @inproceedings{ma2020structure, title={Structure-Preserving Super Resolution with Gradient Guidance}, author={Ma, Cheng and Rao, Yongming and Cheng, Yean and Chen, Ce and Lu, Jiwen and Zhou, Jie}, booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, year={2020} } 依存关系 P

used to restore deleted files

Multi-Stage Progressive Image Restoration文献调研

Retinex图像增强算法( MSR, MSRCR)详解及其OpenCV源码 在原来的基础修改了下 我用的是Opencv 3.4.5 ,原来的是opencv2.4.9 编译有个错误，需要修改

中值过滤代码matlab 损坏的壁画的恢复 modifiedmeanmethod.m包含我们的算法，用于使用改进的均值过滤器进行裂纹检测裂缝分类和裂纹填充。 该过程的输出为A-图像裂纹存储在变量中裂纹-二进制图像原始图像存储在称为original的变量中 我们还尝试了使用高升压滤镜来锐化图像。 所有代码都在MATLAB 2010上进行了测试和实现！ 所有代码都经过注释，以更好地阅读！

: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

D. Zoran and Y. Weiss. From learning models of natural image patches to whole image restoration.

RetinexNet 这是RetinexNet的Tensorflow实现 深度Retinex分解，可增强弱光。 在BMVC'18（口头介绍）中 ， ，，。 （*表示平均分担） ， 要求 Python Tensorflow> = 1.5.0 numpy，PIL 测试用法 要使用我们的模型快速测试您自己的图像，您可以运行 python main.py --use_gpu=1 \ # use gpu or not --gpu_idx=0 \ --gpu_mem=0.5 \ # gpu memory usage --phase=test \ --test_dir=/path/to/your/test/dir/ \ --save_dir=/pa