SRGAN生成超分辨率图像效果

最新推荐文章于 2024-04-18 11:07:42 发布
最新推荐文章于 2024-04-18 11:07:42 发布
阅读量848 收藏 2
点赞数
分类专栏： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/bolun365/article/details/102734404
版权

baseline

https://github.com/tensorlayer/srgan.git

遇到的问题

1.只使用MSE init G网络后, 图片中交叉连接线处有点失真, 如第一张图片中自行车轮辐条与车轮连接的地方.加入VGG19和D网络与G一起训练后, 交叉线情况明显改善.
2.由于只对动画素材做了训练, 在使用真实图片测试时, 效果与4倍放大相比不明显. 只能保证放大后图片锯齿很少, 不会生成细节.
3.由于图片可上传任意大小进行放大, 需要限制图片大小.

效果展示如下

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

goodmorning!
关注
专栏目录
SRGAN 图像超分辨率重建（Keras）
__不想写代码__的博客
12-05 7903
SRGAN 网络是用GAN网络来实现图像超分辨率重建的网络。训练完网络后。只用生成器来重建低分辨率图像。网络结构主要使用生成器（Generator）和判别器（Discriminator）。训练过程不太稳定。一般用于卫星图像和遥感图像的图像重建。 这里我们使用的高分辨率的数据集 **（DIV2K）**
SRGAN超分辨率图像重建
03-26
SRGAN是超分辨率图像重建领域的创新性工作，它通过引入生成对抗网络，不仅提升了图像的分辨率，还增强了图像的视觉质量和细节表现。随着深度学习技术的不断发展，我们可以期待更多高效、高质量的SR方法出现，进一步...
srgan：使用生成的对抗网络实现逼真的单图像超分辨率
02-06
超分辨率示例 我们在 2.0和 2.0+下运行此脚本。 对于TensorLayer 1.4版本，请检查。 :rocket: :rocket: :rocket: :rocket: :rocket: :rocket: 此项目将在一个月内关闭并移至。 :rocket: :rocket: :rocket: :rocket: :rocket: :rocket: 此项目将在一个月内关闭并移至。 :rocket: :rocket: :rocket: :rocket: :rocket: :rocket: 此项目将在一个月内关闭并移至。 SRGAN体系结构 TensorFlow实现实现 结果 准备数据和预先训练的VGG 您需要在下载预训练的VGG19模型，如 show所示。 您需要具有高分辨率的图像进行训练。 在本实验中，我使用了图像，因此config.py的超参数（如历元数）是在该数据集的基础上被删除的，如果
SRGAN-PyTorch:使用生成的对抗性网络实现逼真的单图像超分辨率的非官方PyTorch实现
05-28
SRGAN-PyTorch 该资源库包含在纸上的非官方pyTorch实施SRGAN也SRResNet的，CVPR17。 我们密切关注原始SRGAN和SRResNet的网络结构，培训策略和培训设置。 我们还CVPR16将子像素卷积层实现为。 也分享了对该存储库的贡献。 许可和引文 所有代码和其他材料（包括但不限于表格）仅用于学术研究目的，不提供任何担保。 任何商业用途都需要我们的同意。 如果我们的工作对您的研究有所帮助，或者您在研究中使用了代码的任何部分，请适当确认： @InProceedings{ledigsrgan17,    author = {Christian Ledig and Lucas Theis and Ferenc Huszár and Jose Caballero and Andrew Cunningham and Alejandro Acosta and
SRGAN超分辨率网络
不要给自己设限，尝试更多可能（思所向 皆可往）
04-17 2017
超分辨率论文阅读—SRGAN - 知乎提示：以下是本篇文章正文内容，下面案例可供参考1、超分辨率问题由低清图像恢复的高清图像采用的是MSE(Mean Square Error)作为损失函数，该损失函数会造成恢复出来的图像高频信息不足，视觉感知不佳。使用MSE训练的网络恢复出的图像高频信息不足，整体图像趋于模糊。基于此问题，SRGAN提出使用GAN将恢复的图像拟合到真实数据集的分布上。论文中有一幅图很好的解释了区别：超分辨率是一个病态问题（ill-posed)，一个低清图像块可以对应多个高清图像块。
[GAN实战] srgan(超分辨率图像复原)
计算机视觉
11-06 953
1.srgan架构 训练过程: a.运行高分辨率(HR）图片去获取低分辨率(LR)图片，为了训练我们的数据集,我们同时需要低分辨率(LR)和高分辨率(HR)图片. b.容许低分辨率(LR)图片通过生成器,从而增加数据样本和提供超高分辨率(SR)图片. c.LR(低分辨率)图片和HR(高分辨率)图片通过穿越鉴别器被分类，同时回溯. 2.网络结构 3.工程实现 待补 ...
SRGAN 超分辨率生成对抗网络模型
什么都干的派森
03-12 7012
简介： SRGAN全称为 Super Resolution Generative Adversarial，这是第一个对放大四倍真实自然图像做超分辨率的框架【模糊变清晰，有码变无码(狗头)】 生成器模型： 1.输入是一张低分辨率的图像 2.进入一个64通道步长为1的卷积 3.RELU激活 4.自定义个数的残差卷积快（每个卷积快结构：【1】64通道步长为1的卷积【2】BN参数标准化【3】RELU激活【4】64通道步长为1的卷积【5】BN参数标准化【6】将当前残差块之前的参数与当前参数连接） 5.进入一个64通
超分辨率重建SRGAN代码（包括将SRGAN生成器单独拿出来做残差网络）
03-05
超分辨率重建技术是一种重要的图像处理方法，主要用于提升低分辨率图像的质量，使其接近或达到高分辨率图像的清晰度。SRGAN（Super-Resolution Generative Adversarial Networks）是该领域的一个里程碑式工作，由...
SRGAN_SRGAN_生成对抗网络_超分辨率重建_超分辨率
09-11
5. 当模型收敛后，生成器可以用于对新的低分辨率图像进行超分辨率重建。 在实际应用中，SRGAN已经在多个领域展现出潜力，如视频处理、医学影像增强、卫星图像解析等。然而，SRGAN也存在一些挑战，如训练稳定性、...
SRGAN-PyTorch：超分辨率纸的简单而完整的实现
02-26
在本文中，我们介绍了SRGAN，这是一种用于图像超分辨率（SR）的生成对抗网络（GAN）。 据我们所知，它是第一个能够为4倍放大因子推断出逼真的自然图像的框架。 为此，我们提出了一种感知损失函
SRGAN:SRGAN的PyTorch实现基于CVPR 2017论文“使用生成的对抗网络实现照片级逼真的单图像超分辨率”
04-30
SRGAN 基于CVPR 2017论文的SRGAN的PyTorch实现。
超分辨率重构srgan.rar
06-05
srgan超分辨率重构，SR :从低分辨率(LR)图像中提取高分辨率(HR)图像这一极具挑战性的任务称为超分辨率(SR)。
MMSR 是基于PyTorch的开源图像和视频超分辨率工具箱，包括SRResNet，SRGAN，ESRGAN等-python
06-18
MMSR 是基于PyTorch的开源图像和视频超分辨率工具箱，包括SRResNet，SRGAN，ESRGAN等 我们已将 BasicSR 合并为 MMSR :grinning_face_with_smiling_eyes: MMSR 是一个基于 PyTorch 的开源图像和视频超分辨率工具箱。 它是中大多媒体实验室开发的 open-mmlab 项目的一部分。 MMSR 基于我们之前的项目：BasicSR、ESRGAN 和 EDVR。 BasicSR [EDVR] [DNI] [ESRGAN] [SFTGAN] :triangular_flag: 我们更新了 BasicSR 工具箱 (v0.1)。 几乎所有文件都有更新，包括： 支持 PyTorch 1.1 和分布式训练 简化网络结构 更新数据集格式 使用 yaml 进行配置 ... 如果您发现兼容性问题，请查看这些文件是否在 To-be-updated 列表中。 如果您想使用旧版本，请在带有标签 v0.0 的版本中找到它。 查看我们关于以下方面的新作品：视频超分辨率：EDVR：使用增强的可变形卷积网络进行视频恢复，它在 NT
对抗生成网络学习（七）——SRGAN生成超分辨率影像(tensorflow实现)
热门推荐
QQ704630835的博客
11-13 1万+
一、背景 SRGAN(Super-Resolution Generative Adversarial Network)即超分辨率GAN，是Christian Ledig等人于16年9月提出的一种对抗神经网络。利用卷积神经网络实现单影像的超分辨率，其瓶颈仍在于如何恢复图像的细微纹理信息。对于GAN而言，将一组随机噪声输入到生成器中，生成的图像质量往往较差。因此，作者提出了SRGAN，并定义一个lo...
超分辨率重构SRGAN
清风拂面
06-05 1631
1.网络原理图 2.损失计算 感知损失函数由内容损失函数+对抗损失函数组成，SR代表超分辨率，LR代表低分辨率，HR代表高分辨率。 2.1.内容损失 像素级别的MSE损失计算如下： 虽然该损失能够有极高的峰值信噪比，但是通常缺乏高频内容，过于平滑。所以作者们基于VGG的RELU激活层定义了VGG Loss Function。表示从VGG-19网络的第J层卷积（激活后）的第i...
SRGAN-图像超分实战
最新发布
SHY0978的博客
04-18 1028
SRGAN--图像超分的有趣实现
图像超分辨--SRGAN 解读和感悟
qq_42191700的博客
05-11 1180
adversarial_loss为生成图像过判别器后的值，由于希望过判别器后的值越大越好，所以adversarial_loss=torch.mean(1 - out_labels)，即out_labels越大生成器模型就越接近成功了。那么从上面这段话中，我们很容易得到一个基本的训练要求，那就是你得有巨多巨多巨多成对的高分辨率图像和低分辨率图像，这种训练也是所谓的监督学习。最近在学习图像超分辨的任务，看了一些论文，从较古老的SRGAN到最近IEEE上的新论文都进行了简单的阅读，感觉要学习的东西还是挺多呀！
学习笔记之——SRGAN深度调研报告
gwpscut的博客
11-05 7457
SRGAN这个网络的最大贡献就是使用了生成对抗网络（Generative adversarial network）来训练SRResNet,使其产生的HR图像看起来更加自然,有更好的视觉效果（SRResNet是生成网络，对抗网络是用来区分真实的HR图像和通过SRResNet还原出来的HR图像，SRGAN网络的最终目标就是要让对抗网络无法区分真实的HR图像和SRResNet还原的HR图像）。 通俗来...
SRGAN——使用与超分辨率重建的GAN
新手的博客
05-20 6186
  SRGAN数据GAN理论在超分辨率重建（SR）方面的应用。 一、超分辨率技术 1.SR技术介绍   SR技术，是指从观测到的低分辨率图像重建出相对应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值，也可以应用于马赛克图片的恢复应用场景。   SR可分为两类：从多张低分辨率图像重建出高分辨率图像；从单张低分辨率图像重建出高分辨率图像。基于深度学习的SR，主要是基于单张低分辨率的重建方法，即Single Image Super-Resolution(SISR)。   SISR是一个逆问
srgan图像超分辨率算法
08-25
它是基于生成对抗网络（GAN）的框架，旨在将低分辨率图像转换为高分辨率图像。 SRGAN的核心思想是通过训练两个主要的神经网络模型：生成器（Generator）和判别器（Discriminator）。生成器负责将低分辨率图像转换为...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值