为了方便测试应用在不同分辨率的效果，Resolution Test是为Chrome浏览器制作的一款可调整浏览器窗口大小的工具，该款插件可设置分辨率大小来调整浏览器窗口大小，也可一次通过选取多个分辨率选项来打开多个相应大小的新窗口，下载解压后导入chrome扩展程序即可使用（导入步骤：输入chrome://extensions/ 即可）。

超分辨率卷积神经网络（SRCNN） 适用于Python / Torch，Numpy和Avnet的ZedBoard的SRCNN实现 单个图像超分辨率（SR）的目的是从单个低分辨率（LR）图像中恢复高分辨率（HR）图像。 该存储库包含Dong，Chao等人的超分辨率卷积神经网络（SRCNN）的三种实现。 “使用深度卷积网络的图像超分辨率。” （ ） 概括 9-5-5卷积神经网络 三种实现 火炬：用于训练网络，提取权重和放大 脾气暴躁：升级 Cython：用于升级（可以在Avnet的上运行） 完全由CPU运行或 在ZedBoards FPGA上运行2D卷积 用法 有关用法说明和先决条件，请参见其文件夹中的相应实现的README.md文件： 指标 公制 双三次 爱生雅 NE + LLEA 卡卡 安拉 A + A SRCNN（东） SRCNN（我们的） 信噪比 29.56 31.42

用于图像分类的高分辨率网络（HRNets） 消息 [2021/01/20]添加一些更强大的ImageNet预训练模型，例如HRNet_W48_C_ssld_pretrained.pth达到top-1 acc的83.6％。 [2020/03/13] TPAMI接受了我们的论文：。 根据要求，我们提供两种小型HRNet模型。 #parameters和GFLOP与ResNet18相似。 使用这两个小型模型的细分结果也可从。 TensoFlow实现可在。 谢谢 ！ 修复问题后启用了ONNX导出。 谢谢！ 介绍 这是的官方代码。 我们使用下图所示的分类头来扩充HRNet。 首先，将四分辨率特征图输入瓶颈，并将输出通道数分别增加到128、256、512和1024。 然后，我们通过输出256个通道的2步3x3卷积对高分辨率表示进行下采样，并将其添加到第二个高分辨率表示中。 重复此过程两次，以小分

TecoGAN-PyTorch 介绍 这是TecoGAN的PyTorch重新实现：特mporally有限公司赫伦特GAN视频超分辨率（VSR）。 有关更多信息，请参考官方TensorFlow实现 。 特征 更好的性能：此仓库提供的模型比官方仓库更小但性能更好。 请参阅我们关于Vid4和ToS3数据集的。 多个降级：此存储库支持两种类型的降级，即BI和BD。 请参阅以获取有关降级类型的更多详细信息。 统一框架：此存储库为基于失真和基于感知的VSR方法提供了统一框架。 内容 致谢 依存关系 Ubuntu> = 16.04 NVIDIA GPU + CUDA 的Python 3 PyTorch> = 1.0.0 Python软件包：numpy，matplotlib，opencv-python，pyyaml，lmdb （可选）Matlab> = R2016b 测试 注意：我们会根

espcn的matlab代码RDN-TensorFlow 原始来源 CVPR 2018 论文的 TensorFlow 实现。 官方实施： 先决条件 Python-2.7（分支python3的Python-3.5） TensorFlow-1.10.0 Numpy-1.14.5 OpenCV-2.4.9.1 h5py-2.6.0 用法 准备数据 从 下载 DIV2K 训练数据。 提取所有图像并将其放置在 RDN-TensorFlow/Train/DIV2K_train_HR 中。 火车 python main.py 测试 python main.py --is_train=False 注意 如果要在生成训练数据和测试图像时使用 MATLAB 中的 resize 函数作为使用的预训练模型，则需要安装 ，并使用选项--matlab_bicubic=True运行脚本。 如果你想直接把原始图像作为RDN的输入，你可以像python main.py --is_train=False --is_eval=False --test_img=Test/Set5/butterfly_GT.bmp这样运行脚本

Paper - SR3 - Image Super-Resolution via Iterative Refinement

超分辨率SRDPNs张量流 tensorflow实现的超分辨率： 我基于双路径网络的超分辨率实现，但与原始网络完全不同，差异如下所示： 我修改了双路径块的结构，以加快训练速度。 我引入了瓶颈以减小尺寸并进行去卷积以恢复细节。 介绍基于VGG19的特征空间的知觉损失和克损失。 依存关系： 张量流> = 1.3.0 Scipy> = 0.18 GPU内存> 7G 用法： 首先，您需要在下载VGG19的模块以进行损耗函数计算。 然后，将下载的文件imagenet-vgg-verydeep-19.mat移到该项目的SRDPNs文件夹中。 供测试用： 打开main.py ，将数据路径更改为您的数据，例如： flags.DEFINE_string("testimg", "2.bmp", "Name of test image") 执行python main.py进行测试，结果将保存在示例

MRI图像超分辨率代码，采用低秩全变分算法，论文发表于IEEE Transactions on Medical Imaging2015

RDN 该存储库是。 要求 PyTorch 1.0.0 脾气暴躁的1.15.4 枕头5.4.1 h5py 2.8.0 tqdm 4.30.0 火车 可以从下面的链接下载转换为HDF5的DIV2K，Set5数据集。 数据集 规模 类型 关联 DIV2K 2个 火车 DIV2K 3 火车 DIV2K 4 火车 第5集 2个 评估 第5集 3 评估 第5集 4 评估 否则，您可以使用prepare.py创建自定义数据集。 python train.py --train-file " BLAH_BLAH/DIV2K_x4.h5 " \ --eval-file " BLAH_BLAH/Set5_x4.h5 " \ --outputs-dir " BLAH_BLAH/outputs " \

Reduced-Rank MDL Method for Source Enumeration in High-Resolution Array Processing