SRCNN-CS_SRCNN彩色图像超分辨率重建_彩色超分辨率_matlabSRCNN_超分辨率重建_超分辨重建

博客地址： 超分辨网络SRCNN的Pytorch实现 https://tinycool.blog.csdn.net/article/details/124581407#comments_23475484

# SRCNN超分辨率Pytorch代码 1. 复现SRCNN，使用三层卷积层，kernel size分别为9,1,5； 2. 包含数据集，并包含在该数据集上训练6000epoch的模型pth文件； 3. 包含训练和推理代码，可以使用已经训练好的代码直接推理。

用卷积滤波器matlab代码Tensorflow中的SRCNN 基于深度卷积网络的图像超分辨率的Tensorflow实现。 GT 双三次 神经网络 实施细节 我们的实现使用TensorFlow训练SRCNN。 我们使用了与本文所述几乎相同的方法。 我们使用91个图像数据集训练了网络，并在训练时使用Set5数据集进行了验证。 在测试时，为了获得相同的放大倍数2、3和4的结果大小，我们将测试图像裁剪为12，即最小公倍数。 另外，我们将地面实况的边界和双三次内插测试图像填充了6，以使其尺寸与SRCNN结果相同。 根据该论文，在放大系数为3的Set5上，最佳性能是滤波器大小为9-5-5和ImageNet训练数据集时的平均PSNR值为32.75dB，但我们的目标是32.39dB ，这是在经过验证时的平均PSNR值该模型使用91个图像数据集，9-1-5滤镜大小和Y进行训练。 在训练了12,500个纪元之后，我们得到了相同的值32.39dB 。 给出了具有91个图像训练数据集和放大系数为3的预训练模型。 请注意，我们使用Y通道进行了训练和测试。 如果要使用3通道（YCbCr或RGB）进行训练和测试，

包含实验报告，源码，数据集 如果你没有积分下载，可在我的微信公众号内回复“图像超分”获取资源

基于pytorch平台的，用于图像超分辨率的深度学习模型：SRCNN。 其中包含网络模型，训练代码，测试代码，评估代码，预训练权重。 评估代码可以计算在RGB和ＹＣｒＣｂ空间下的峰值信噪比PSNR和结构相似度。

srcnn.pth 模型压缩包，包含x2,x3,x4三个pth文件

超分辨率matlab代码SRCNN-Keras 在python和matlab中使用'bicubic'作为选项的resize函数是不同的，并且最近发表的论文通常使用matlab来生成低分辨率图像 通过以Theano为后端的Keras实现SRCNN。 为了与已发表的作品进行合理的比较，Matlab的imresize函数生成了低分辨率的图像。 使用预先训练的模型 在“测试”文件夹中运行SRCNN_test.m（训练集为Yang91）放大系数= 3 训练 注意：更多数据和更好的结果 使用Matlab生成培训补丁 使用Keras和Theano作为后端来训练SRCNN模型 将Keras模型转换为.Mat以使用Matconvnet进行测试 如何训练您的模型？ 生成训练补丁 运行SRCNN.py以产生SRCNN模型 首先运行load_save.py，然后运行save_model.m以生成Matconvnet模型 与原始实施的差异 使用Adam优化网络以实现快速收敛 依存关系 ，，。 如果该代码对您有帮助，请引用此文章：“使用深度卷积网络的图像超分辨率”。 笔记 此代码基于Keras-1。

%SRCNN im_h = SRCNN(model, im_b); %% remove border im_h = shave(uint8(im_h * 255), [up_scale, up_scale]); im_gnd = shave(uint8(im_gnd * 255), [up_scale, up_scale]); im_b = shave(uint8(im_b * 255), [up_scale, up_scale]); %% compute PSNR psnr_bic = compute_psnr(im_gnd,im_b); psnr_srcnn = compute_psnr(im_gnd,im_h);

两个文档分别是SRCNN论文的翻译和在SRCNN模型的基础上对其训练方法做出一定改进，提高了收敛速度。