配套文章：https://blog.csdn.net/qq_36584673/article/details/136861864 文件说明： benchmark_results：保存不同倍数下测试集的测试结果 data：存放数据集的文件夹，包含训练集、测试集、自己的图像/视频 epochs：保存训练过程中每个epoch的模型文件 statistics：存放训练和测试的评估指标结果 training_results：存放每一轮验证集的超分结果对比，每张图像5行3列展示 data_utils.py：数据预处理和制作数据集 demo.py：任意图像展示GT、Bicubic、SRGAN可视化对比结果 draw_evaluation.py：绘制Epoch与Loss、PSNR、SSIM关系的曲线图 loss.py：损失函数 model.py：网络结构 test_benchmark.py：生成benchmark测试集结果 test_image.py：生成任意单张图像用SRGAN超分的结果 test_video.py：生成SRGAN视频超分的结果 train.py：训练SRGAN 使用方法见文章。

pytorch版realESRGAN模型权重和推理代码，已合并模型结构和权重参数，可以直接加载使用。4倍超分模型，推理代码包含图像推理和视频推理样例，方便快速体验图像超分效果或二次开发。ESRGAN是一种图像超分辨率算法，用于增加图像分辨率并生成更多图像细节，与传统的图像缩放算法不同的是，超分算法在放大图像的同时根据原图纹理生成更多细节，确保图像在放大后仍然有清晰的纹理细节。模型可用于修复老照片，解决胶卷相机拍摄照片因年代久远造成图像模糊、损坏等问题；缓解部分场景对焦不清晰或相机焦距不足导致照片模糊问题； 降低图像噪点，提升画质。

CNN-generated images are surprisingly easy to spot... for now论文中的权重

ZoeDepth模型权重文件，为无法上网的人准备

yolox模型预训练权重

marketduke模型预训练权重

由于可用资源有限，我们仅在 cifar10 上测试模型。 我们主要想重现这样的结果： 使用 MAE 预训练 ViT 可以比直接使用标签进行监督学习训练获得更好的结果。这应该是自我监督学习比监督学习更有效的数据的证据。 主要遵循论文中的实现细节

BERT_NER模型权重

深度学习神经网络模型权重

darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。Darknet的优势： darknet完全由C语言实现，没有任何依赖项，当然可以使用OpenCV，但只是用其来显示图片、为了更好的可视化； darknet支持CPU（所以没有GPU也不用紧的）与GPU（CUDA/cuDNN，使用GPU当然更块更好了）； 正是因为其较为轻型，没有像TensorFlow那般强大的API，所以给我的感觉就是有另一种味道的灵活性，适合用来研究底层，可以更为方便的从底层对其进行改进与扩展