Tensorflow实施论文“快速，准确的超高分辨率的深拉普拉斯金字塔网络”（CVPR 2017） 这是使用TensorLayer的Tensorflow实现。 原始论文和使用MatConNet的实现可以在他们的上找到。 环境 使用python 3.6和cuda 8.0对实现进行了测试。 下载资料库： $ git clone https://github.com/zjuela/LapSRN-tensorflow.git 火车模型 在config.py文件中指定数据集路径并运行： $ python main.py 使用挑战数据集对预训练模型进行训练。 测试 使用您的测试图像运行： $ python main.py -m test -f TESTIMAGE 结果可以在文件夹./samples/中找到

Matlab代码金字塔PyTorch LapSRN CVPR2017论文在PyTorch中的实现：“用于快速而准确的超高分辨率的深拉普拉斯金字塔网络”（） 用法 训练 usage: main.py [-h] [--batchSize BATCHSIZE] [--nEpochs NEPOCHS] [--lr LR] [--step STEP] [--cuda] [--resume RESUME] [--start-epoch START_EPOCH] [--threads THREADS] [--momentum MOMENTUM] [--weight-decay WEIGHT_DECAY] [--pretrained PRETRAINED] PyTorch LapSRN optional arguments: -h, --help show this help message and exit --batchSize BATCHSIZE training batch size --nEpochs NEPOCHS number of epochs to train for --lr LR

Matlab代码金字塔深度拉普拉斯金字塔网络，可实现快速，准确的超分辨率（CVPR 2017） ， ， ， 和 IEEE计算机视觉和模式识别会议，CVPR 2017 目录 介绍 拉普拉斯金字塔超分辨率网络（LapSRN）是一个渐进式超分辨率模型，可在从粗到细的拉普拉斯金字塔框架内对低分辨率图像进行超分辨率。 我们的方法是快速的，并且在针对4x和8x SR的五个基准数据集上实现了最先进的性能。 有关更多详细信息和评估结果，请查看我们的和。 引文 如果您发现对您的研究有用的代码和数据集，请引用： @inproceedings{LapSRN, author = {Lai, Wei-Sheng and Huang, Jia-Bin and Ahuja, Narendra and Yang, Ming-Hsuan}, title = {Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution}, booktitle = {IEEE Conferene on Computer Vision and Pattern

LapSRN超分辨率实现，使用8x中的2倍放大，非源代码，源代码都在博客上了