ESPCN论文代码复现

已于 2023-01-11 13:45:15 修改
阅读量718 收藏 4
点赞数
分类专栏： 深度学习 文章标签： 深度学习 pytorch python
于 2022-11-01 16:44:49 首次发布
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/hsdujdjrjrj/article/details/127636513
版权
深度学习 专栏收录该内容
14 篇文章 74 订阅 ¥19.90 ¥99.00
订阅专栏
本文档详细记录了ESPCN（Efficient Sub-Pixel Convolutional Neural Network）论文的代码复现过程，包括资源链接、代码运行步骤及超分辨率重建效果的对比。通过训练和测试，得到了比原论文更高的PSNR值。
摘要由CSDN通过智能技术生成
了解本专栏 订阅专栏 解锁全文
加斯顿工程师
关注
专栏目录
订阅专栏
【图像超分】论文复现：Pytorch实现ESPCN
畅游计算机视觉的海洋
03-13 1万+
论文精读：由于ESPCN没有公布源码，我们选择github上一个高star的项目来复现。准备数据集，以及数据预处理搭建网络模型设置参数并训练测试训练好的模型用训练好的模型测试自己的数据本文我们使用pycharm链接服务器训练。
超分算法ESPCN：《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel》
zyw2002的博客
08-10 1401
提出了一种新的上采样方式，对于SR(super-resolution) 任务的计算速度和重建效果都有不错的提升。文章推出了一种在以往算法(SRCNN、Bicubic)上对于重建表现力以及计算效率(重建速度、计算资源损耗)都有一定提升的SR算法——ESPCN。SRCNN先对输入图像做Bicubic插值，然后进行特征提取，这种方式相当于直接在HR层面做超分，作者证明这种方式是一种次优策略且会带来计算复杂度的提升。这是一种直接对输入LR图像做特征提取。在网络中引入了一种亚像素卷积层。
视频超分辨：复现ESPCN遇到的问题（基于pytorch）
xiaobaimusi的博客
07-07 436
视频超分辨：复现ESPCN遇到的问题（基于pytorch）
实验——基于pytorch的ESPCN的复现
gwpscut的博客
11-29 3076
在之前的博客中已经介绍了ESPCN的原理了（学习笔记之——基于深度学习的图像超分辨率重构）本博文是对ESPCN进行实现。代码的框架仍然采用xintao前辈的代码，本博文会给出关键的实现部分 python train.py -opt options/train/train_sr.json python test.py -opt options/test/test_sr.json ESPCN的网...
ESPCN 论文复现、代码注解、超级详细
qq_38477064的博客
11-12 3285
ESPCN 论文复现、代码注解、超级详细 环境 文章解释的代码顺序即为代码阅读顺序； 环境： ubuntu16.04 pytorch 1.2 torchvision 0.40 cuda 9.2 python 3.6 github： [https://github.com/leftthomas/ESPCN](https://github.com/leftthomas/ESPCN) 上面github应该是官方代码，但是用的pytorch0.4以前的版本应该是，cuda是8.0，python是2.7
espcn的matlab代码-SuperResolution:超分辨率SuperResolution
06-16
espcn的matlab代码 SuperResolution 超分辨率SuperResolution via Deep Learning List Of Paper: SRCNN FSRCNN ESPCN VDSR(Editing) SRGAN(Editing) Supervisor: WeiZhang Student: ZhijuePeng School: NEU （东北大学） Code:python & matlab Relevant library : OpenCV2 for python numpy matplotlib tensorflow keras Pytorch
亚像素卷积网络(ESPCN)学习与Pytorch复现
热门推荐
如何心安理得的在老板眼皮下摸鱼
06-02 2万+
论文地址：Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network | IEEE Conference Publication | IEEE Xplore
【图像超分】论文精读：efficient sub-pixel convolutional neural network (ESPCN)
畅游计算机视觉的海洋
03-13 1万+
最近，基于深度神经网络的几个模型在单幅图像超分辨率的重构精度和计算性能方面都取得了巨大的成功。在这些方法中，低分辨率 (LR) 输入图像在重建之前使用单个滤波器（通常是双三次插值）放大到高分辨率 (HR) 空间。这意味着超分辨率 (SR) 操作是在 HR 空间中执行的。我们证明了这是次优的，并增加了计算复杂度。在本文中，我们提出了第一个卷积神经网络 (CNN)，能够在单个 K2 GPU 上实时 SR 1080p 视频。为了实现这一点，我们提出了一种新颖的 CNN 架构，其中特征图是在 LR 空间中提取的。此
【图像超分】论文复现：Pytorch实现RDN！保姆级复现教程！实现与原论文基本一致的PSNR和SSIM！代码注释详尽！易读易复用！可用于训练自己的数据集！附完整代码和各放大倍数下的最优模型权重文件！
最新发布
畅游计算机视觉的海洋
04-29 2410
论文题目：Residual Dense Network for Image Super-Resolution —— 用于图像超分辨率的残差密集网络【图像超分】论文精读：Residual Dense Network for Image Super-Resolution（RDN）请配合上述论文精读文章使用，效果更佳！虽然论文中为了丰富内容用了很多缩写，并且写的很详细。这对于论文复现者来说是很友好的，尤其是网络结构的实现上，非常清晰。
espcn的matlab代码-Super_Resolution_RDN:Super_Resolution_RDN
06-16
espcn的matlab代码RDN-TensorFlow 原始来源 CVPR 2018 论文的 TensorFlow 实现。 官方实施： 先决条件 Python-2.7（分支python3的Python-3.5） TensorFlow-1.10.0 Numpy-1.14.5 OpenCV-2.4.9.1 h5py-2.6.0 用法 准备数据 从 下载 DIV2K 训练数据。 提取所有图像并将其放置在 RDN-TensorFlow/Train/DIV2K_train_HR 中。 火车 python main.py 测试 python main.py --is_train=False 注意 如果要在生成训练数据和测试图像时使用 MATLAB 中的 resize 函数作为使用的预训练模型，则需要安装 ，并使用选项--matlab_bicubic=True运行脚本。 如果你想直接把原始图像作为RDN的输入，你可以像python main.py --is_train=False --is_eval=False --test_img=Test/Set5/butterfly_GT.bmp这样运行脚本
espcn的matlab代码-EGVSR:高效通用的视频超分辨率
06-16
espcn的matlab代码EGVSR-PyTorch | VSR x4：EGVSR； 高档 x4：双三次插值 内容 介绍 这是一个PyTorch实现EGVSR的：电子fficcient＆G ENERAL视频超分辨率（VSR），使用子像素卷积优化TecoGAN VSR模型的推理速度。 请参考官方实现和更多信息。 特征 统一框架：这个 repo 为各种最先进的基于 DL 的 VSR 方法提供了一个统一的框架，例如 VESPCN、SOFVSR、FRVSR、TecoGAN 和我们的 EGVSR。 Multiple Test Datasets ：这个repo提供了三种类型的视频数据集进行测试，即标准测试数据集——TecoGAN中使用的Vid4、Tos3和我们的新数据集——Gvt72（从站点中选择并包括更多场景）。 更好的性能：此 repo 为模型提供了比以前的方法更快的推理速度和更好的整体性能。 请参阅部分中的更多详细信息。 依赖关系 Ubuntu >= 16.04 英伟达 GPU + CUDA 和 CUDNN Python 3 PyTorch >= 1.0.0 Python 包：numpy、
VESPCN ~~~~~
01-25
视频超分的入门经典作品，最新的结果，世界前沿的技术。
ESPCN-TensorFlow:TensorFlow中高效子像素卷积神经网络的实现
05-11
ESPCN-TensorFlow TensorFlow（ESPCN）中高效子像素卷积神经网络的TensorFlow实现。 基于网络和本改编的代码。 这个网络可以实现的实时性能 ，同时也超越了质量 。 先决条件 Python 2.7 TensorFlow 脾气暴躁的 Scipy版本> 0.18 用法 在训练每个新模型之前，运行prepare_data.py格式化训练和验证数据培训： python train.py 可以指定时期，学习率，批量大小等： python train.py --epochs 10 --learning_rate 0.0001 --batch_size 32 用于生成： python generate.py 必须指定检查点，低分辨率图像和输出路径python generate.py --checkpoint logdir_2x/train --lr_image
【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等
畅游计算机视觉的海洋
03-25 1万+
本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。
ESPCN论文笔记
Scorch111的博客
02-29 1037
ESPCN论文笔记 论文：Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network 此前利用卷积神经网络(CNN)的图像超分辨率方法(Super Resoluiton, SR)中，通常在图像预处理阶段利用双三次插值将低分辨率(LR)图像变...
ESPCN处理彩色图像代码
weixin_30907935的博客
03-27 232
原来仅处理了Y通道，输出的灰度图像。 Super-Resolution/ESPCN at master · wangxuewen99/Super-Resolution · GitHub https://github.com/wangxuewen99/Super-Resolution/tree/master/ESPCN 改为处理彩色图像，就简单加了几行代码。 YCbCr分别处理，只对Y进...
ESPCN论文阅读笔记
hjhr2018的博客
11-27 1190
《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network》是Wenzhe Shi等人于2016年提出的一种新的SR重建方法，发表于CVPR，在单图像和视频超分辨率上再次表现出了更加良好的速度与性能。
espcn pytorch代码
03-06
ESPCN（Efficient Sub-Pixel Convolutional Neural Network）是一种用于图像超分辨率的深度学习模型，它可以将低分辨率图像转换为高分辨率图像。下面是一个简单的ESPCN的PyTorch代码示例： ```python import torch import torch.nn as nn class ESPCN(nn.Module): def __init__(self, scale_factor): super(ESPCN, self).__init__() self.scale_factor = scale_factor self.conv1 = nn.Conv2d(3, 64, kernel_size=5, padding=2) self.conv2 = nn.Conv2d(64, 32, kernel_size=3, padding=1) self.conv3 = nn.Conv2d(32, 3 * (scale_factor ** 2), kernel_size=3, padding=1) self.pixel_shuffle = nn.PixelShuffle(scale_factor) def forward(self, x): x = nn.functional.relu(self.conv1(x)) x = nn.functional.relu(self.conv2(x)) x = self.pixel_shuffle(self.conv3(x)) return x # 创建ESPCN模型实例 scale_factor = 4 # 放大倍数 model = ESPCN(scale_factor) # 加载预训练模型参数（可选） # model.load_state_dict(torch.load('espcn.pth')) # 输入低分辨率图像 input_image = torch.randn(1, 3, 32, 32) # 输入图像尺寸为32x32 # 使用ESPCN模型进行超分辨率重建 output_image = model(input_image) print("输入图像尺寸:", input_image.size()) print("输出图像尺寸:", output_image.size()) ``` 上述代码定义了一个名为ESPCN的PyTorch模型类，其中包含了三个卷积层和一个像素重排层。在forward方法中，输入图像经过卷积和ReLU激活函数后，通过像素重排层进行上采样，最终得到高分辨率的图像输出。 你可以根据自己的需求修改模型的结构和参数，例如调整卷积层的通道数、卷积核大小等。此外，你还可以加载预训练的模型参数（如果有的话）来进行图像超分辨率的重建。
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

打赏作者

加斯顿工程师

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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