基于深度学习的SRGAN图像超分重建算法，该资源为本人博客https://wuxian.blog.csdn.net/article/details/125034820中介绍的算法实现代码，包含训练测试数据集和完整代码，代码中已添加完整中文注释，详细原理和代码介绍请参考博客内容。代码已经过调试，可完美运行，关于训练用的COCO数据集下载请见博客给出，注意：请按照博客中给定的python环境和依赖库版本进行安装，否则可能会出现环境不兼容问题。

srgan-tensorflow超分辨率图像重建

尽管使用更快更深的卷积神经网络在单图像超分辨率的准确性和速度方面取得了突破，但一个核心问题仍然很大程度上未解决：当我们在大的升级因子上超分辨时，我们如何恢复更精细的纹理细节？基于优化的超分辨率方法的行为主要由目标函数的选择驱动。近期工作主要集中在最小化均方重建误差。由此产生的估计具有高峰值信噪比，但它们通常缺乏高频细节，并且在感知上它们不能满足在较高分辨率下预期的保真度的感觉上不满意。在本文中，我们提出了SRGAN，一种用于图像超分辨率（SR）的生成对抗网络（GAN）。据我们所知，它是第一个能够推断4倍放大因子的照片般逼真的自然图像的框架。为实现这一目标，我们提出了一种感知损失函数，它包括对抗性损失和内容丢失。对抗性损失使用鉴别器网络将我们的解决方案推向自然图像流形，该网络经过训练以区分超分辨率图像和原始照片真实图像。另外，我们使用由感知相似性驱动的内容丢失而不是像素空间中的相似性。我们的深度残留网络能够在公共基准测试中从严重下采样的图像中恢复照片般逼真的纹理。广泛的平均意见得分（MOS）测试显示使用SRGAN在感知质量方面获得了巨大的显着提升。使用SRGAN获得的MOS分数比使用任何

SRGAN 基于CVPR 2017论文的SRGAN的PyTorch实现。

SRGAN源码

我们已经将BasicSR合并为MMSR:grinning_face_with_smiling_eyes:MMSR是基于PyTorch的开源图像和视频超分辨率工具箱。 这是香港中文大学多媒体实验室开发的开放式mmlab项目的一部分。 MMSR基于我们的产品我们已经将BasicSR合并到MMSR中:grinning_face_with_smiling_eyes:MMSR是基于PyTorch的开源图像和视频超分辨率工具箱。 这是香港中文大学多媒体实验室开发的开放式mmlab项目的一部分。 MMSR基于我们之前的项目：BasicSR，ESRGAN和EDVR。 SR我们已更新了BasicSR工具箱（v0.1）。 几乎所有文件都有更新，包括：支持PyTorch 1.1和分布式培训简化网络结构更新数据集

快速SRGAN 该存储库的目标是实现实时超分辨率，以对低分辨率视频进行升采样。 目前，该设计遵循架构。 但是代替残差块，采用反向残差块以提高参数效率和快速操作。 这种想法在某种程度上受到。 培训设置如下图所示： 速度基准 通过平均800帧以上的运行时间获得以下运行时间/ fps。 在GTX 1080上测得。 输入图像尺寸 输出尺寸 时间（秒） 第一人称射击 128x128 512x512 0.019 52 256x256 1024x1024 0.034 30 384x384 1536x1536 0.068 15 我们看到有可能以30fps的速度将其上采样到720

MMSR MMSR是基于PyTorch的开源图像和视频超分辨率工具箱。 这是香港中文大学多媒体实验室开发的开放式mmlab项目的一部分。 MMSR基于我们之前的项目：BasicSR，ESRGAN和MMSR MMSR是基于PyTorch的开源图像和视频超分辨率工具箱。 这是香港中文大学多媒体实验室开发的开放式mmlab项目的一部分。 MMSR基于我们之前的项目：BasicSR，ESRGAN和EDVR。 重点介绍适用于图像和视频超分辨率任务的统一框架。 它也很容易适应其他恢复任务，例如去模糊，去噪等。技术水平：它包括竞赛中的几种获胜方法：例如ESRGAN（PIR

在PyTorch和PyTorch Lightning中生成深度学习模型的实现 DCGAN 论文： 作者：Alec Radford，Luke Metz，Soumith Chintala 代码（PyTorch）： 由 码（闪电）： 由 去做 DCGAN Pix2Pix 循环GAN SRGAN

ESRGAN：增强的超分辨率生成对抗网络 用于图像超分辨率的Pipeine任务基于经常引用的论文（Wang Xintao等人），于2018年发布。 简而言之，图像超分辨率（SR）技术可从观察到的较低分辨率（LR）图像重建高分辨率（HR）图像或序列，例如将720p图像放大为1080p。 解决此任务的常用方法之一是使用能够从LR图像中恢复HR图像的深度卷积神经网络。 而ESRGAN（增强型SRGAN）就是其中之一。 ESRGAN的要点： 基于SRResNet的架构，带有残存残存块； 上下文，感性和对抗性损失的混合体。 使用上下文损失和感知损失来进行适当的图像放大，而对抗损失则使用鉴别器网络将神经网络推向自然图像流形，该鉴别器网络经过训练以区分超分辨图像和原始照片级逼真的图像。 技术领域 作为深度学习任务的管道运行者的Catalyst 。 这个新的，发展Swift的。 可以大大减少样板代