《Super-Resolution Imaging》(Peyman Milanfar,2011) 超分辨成像

小波相关性去建立matlab代码快速导航 NTIRE17 NTIRE18 PIRM18 NTIRE19 AIM19 Awesome-Super-Resolution（进行中） 收集一些超分辨率相关的论文、数据和知识库。 储存库 精彩论文清单： 很棒的回购： 回购 框架 火炬 凯拉斯 凯拉斯 网络 凯拉斯 西诺 张量流 火炬 火炬 火炬 张量流 火炬 火炬 数据集 请注意，此表引用自 。 名称 用法 关联 注释 套装5 测试 设置14 测试 BSD100 测试 城市100 测试 漫画109 测试 太阳海80 测试 BSD300 火车/Val BSD500 火车/Val 91-图像 火车 杨 DIV2K2017 火车/Val NTIRE2017 Flickr2K 火车 真正的SR 火车/Val NTIRE2019 滑铁卢 火车 视频4 测试 4 个视频 MCL-V 火车 12个视频 GOPRO 火车/Val 33 个视频，去模糊 名人A 火车 人脸 辛特尔 火车/Val 光流 飞椅 火车 光流 Vimeo-90k 训练/测试 90k 总部视频 SR-RAW 训练/测试 原始传感器图像数据集

基本SR BasicSR（基本超级还原）是基于PyTorch的开源图像和视频还原工具箱（超分辨率，去噪，去模糊等）。 这是原始BasicSR的经过大量修改的分支。 您将在此处找到的内容：用于训练和测试计算机视觉（CV）模型的样板代码，集成在单个管道中的不同CV方法和策略以及模块化，以根据需要添加和删除组件，包括新的网络体系结构。 进行了大量的代码重写，以减少代码冗余和重复，重组代码并使其更具模块化。 可以在找到支持的体系结构的详细信息。 （自述文件当前为WIP） 此代码的最新版本中的一些新功能： 现在，将不同功能（HFEN，SSIM / MS-SSIM，SPL，TV / DTV等）使用的滤镜和图像操作合并到filter.py和colors.py中。 可重用的损失生成器，可以减少使用新模型时所需的更改，并且对所有模型仅添加一次新损失 度量构建器，在验证期间仅包括选定的那些。

: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

Demo Codes For Image Super-resolution via Sparse *Representation MATLAB

MSRN_PyTorch 该存储库是论文“用于图像超分辨率的多尺度残差网络”的官方PyTorch实施。 可以从下载论文 可以从下载所有测试数据集（预处理的HR图像）。 所有原始测试数据集（HR图像）都可以从下载。 我们的MSRN直接在Y通道上进行了培训和测试。 但是，越来越多的SR模型在RGB通道上进行训练。 为了公平起见，我们根据代码对MSRN进行了重新培训。 我们发布了该项目的新代码和结果。 旧代码被移到OLD /文件夹中。 新代码存储在MSRN /文件夹中。 更新2019.06.12.1 先前提供的再训练模型使用DIV2K（1-895）。 我们更正了此错误，并提供了重新训练的模型（DIV2K 1-800）和结果。 我们现在还提供了x8结果！ 请注意，我们仅使用800张图像（DIV2K 1-800）进行训练，并使用最新的重量文件进行测试。 更新2019.06.12.2

Learning a Deep Convolutional Network for Image Super-Resolution论文地址简介模型图模型框架算法流程Patch extraction and representationnon-linear mapping 非线性映射Reconstruction训练测试实验结果Pytorch代码实现使用说明文件存放运行代码model.pydata.pymain.pyrun.py运行操作图片对比Original imageBicubic imageSRCNN image后续工作参考文章 论文地址 简介 超分辨率技术（Super-Resolution）

中文翻译

RealSR 通过内核估计和噪声注入实现真实世界的超分辨率 纪小中，曹云，泰英，王成杰，李吉林和黄飞跃 腾讯优途实验室 我们的解决方案在两个赛道上均获得了CVPR NTIRE 2020真实世界超高分辨率挑战赛的冠军。 （官方PyTorch实施） 更新-2020年9月2日 培训代码可从 更新-2020年5月26日 添加模型。 提供了基于。在Windows / Linux / macos上测试您自己的图像。有关更多详细信息，请参见 用法./realsr-ncnn-vulkan -i in.jpg -o out.png -x使用合奏 -g 0选择GPU ID。 介绍 不管模糊和噪点如何，最新的最新超分辨率方法在理想数据集上均实现了令人印象深刻的性能。但是，这些方法在现实世界中的图像超分辨率中始终会失败，因为它们大多数都从高质量图像中采用简单的三次三次向下采样来构造低分辨率（LR）和高分辨率（

EDSR-Enhanced Deep Residual Networks for Single Image Super-Resolution,pytorch实现的，欢迎各位下载！