Real-ESRGAN实战使用教程

炼丹上岸

已于 2025-04-24 10:45:42 修改

阅读量874

点赞数 9

文章标签：计算机视觉人工智能深度学习 python realesrgan

于 2025-04-10 16:12:24 首次发布

本文链接：https://blog.csdn.net/m0_63309778/article/details/147121183

版权

项目地址：https://github.com/xinntao/Real-ESRGAN
图像超分辨率（Super-Resolution, SR）技术旨在从低分辨率图像生成高分辨率图像，应用广泛，如电视、视频监控、医学成像等多个领域。近年来，生成对抗网络（GANs）的引入使得图像超分辨率技术取得了显著进展。其中，Real-ESRGAN 作为一种先进的超分辨率技术，因其在处理真实世界图像时的卓越表现，受到了广泛关注。

什么是 Real-ESRGAN
Real-ESRGAN（Enhanced Super-Resolution Generative Adversarial Networks）是一种基于 ESRGAN 的改进型模型，专为处理真实世界图像中的复杂和多样的降质情况而设计。它通过结合多尺度特征提取与生成对抗训练，能够生成高质量和细节丰富的高分辨率图像。

Real-ESRGAN的优化是在ESRGAN的基础上做的，主要内容如下：
（1）给出了一个数据高阶退化过程。即拼接几个典型退化过程来建模（其中还包括sinc filter），从而获得更加接近现实的低质图像。最终作者采用了一个二阶退化过程，以求在简单性和有效性之间取得良好的平衡。这很重要，我们后面重点介绍。
（2）判别器用U-Net代替VGG。Real-ESRGAN中的鉴别器对复杂的训练输出需要更大的鉴别能力，它还需要为局部纹理产生精确的梯度反馈，而不是只区分全局样式。因此使用更加强大的U-Net作为判别器。输出每个像素的真实度值，并可以向生成器提供详细的每像素反馈，增强了图像对细节上的对抗学习。判别器我们下面也会重点介绍。
（3）引入谱归一化(Spectral Normalization)以稳定由于复杂数据集和U-Net判别器带来的训练不稳定情况。

好了，结束这些理论的东西，我也不太擅长讲一些理论的东西，我更偏向于是一个实践派。所以我来讲一讲如何实践使用这个Real—ESRGAN模型，但是哈，如果有必要的话，我会带大家一起读代码，更深层次的去学习这个模型，后面再说，哈哈哈。

一，环境配置
1，实践第一步，那当然是配置环境啦，我也看过人家的配置环境过程，不堪入目，就全是把人家官方文档的东西硬抄下来，能不能运行就没啥保障了，起码我自己配环境的时候，真的是恶心的要die了。
ok，来讲第一个要注意的点，运行一个新项目的时候，大家都会创建一个虚拟环境吧，不创建的叉出去谢谢，这个时候就会出现各种问题，（用conda还好，但是我用conda经常容易依赖报错），所以我一般用python自带的功能，或者用virtualenv，用python自带的就好啦，创建完以后呢，重要的坑来了。
一个是在windows环境下，下载三方库的时候经常会有依赖冲突报错，但是按理来说，人家把那些库的版本拿出来给你，一般来说都是可以用的，但是为什么会报错呢，很大一部分原因就是，虚拟环境与外部系统环境之间起了冲突，什么意思呢，意思就是，你明明是在虚拟环境内下载的对应的库，但是很多时候发现，都会跟外面的系统环境冲突，这个时候一般来说都是环境变量冲突导致的，可能是因为默认环境变量是系统环境的原因，所以就会跟虚拟环境冲突，明明使用的是虚拟环境，结果python还是使用的系统环境的路径，这个问题一直困扰了好久，基本上你没有想到这一茬的话，在里面转个几天都出不来，很是恶心，这下面是windows环境下的处理方法。把pythonpath变量的第一个改成你想要用的就行。
在这里插入图片描述

2，第二个问题就是最恶心的问题，他的basicsr库有问题，清华源下载不了，但是他不会这样给你报错，他会给你报一堆依赖冲突的错误，但是实际上换个源就好了，或者直接在GitHub上下载他的预编译版本。
pip install basicsr -i https://mirrors.aliyun.com/pypi/simple/ --timeout 1000

3，再一个就是这个，这个是他的项目本身就存在的一个问题，在这个issues里面解释的很清楚，最好是用第二种方法，直接改代码，强制改文件后缀是不可取的。
https://github.com/xinntao/Real-ESRGAN/issues/555

基本上容易踩坑的就是这些了，再结合官方文档上面的东西就可以正常使用啦。

额外的小知识：
在图像处理中，使用 negative_prompt（反向提示词）而不是仅用 positive_prompt（正向提示词）有几个重要原因：