最近尝试的几款超分方法

目录

目的

超分方法

USRNet

TSRN算法

liif算法

---

目的

用于证件字符识别的前处理

超分方法

USRNet

（KAIR-master 训练工程）
训练测试跑通，代码无异常
使用方

USRNet-master官方测试工程
论文：《Deep Unfolding Network for Image Super-Resolution》
测试跑通，代码无异常
使用方法直接查看项目中readme法直接查看项目中readme

USRNet使用结果：加入场景数据训练，训练中由HR图片产生LR图片，训练结果在验证集合上表现很好，但是拿自己的场景数据测试时，效果很奇怪，如同没有训练好的对抗网络生成的结果；
 

TSRN（Text Super-Resolution Network）算法

（TextZoom-master 训练测试工程）
论文：《Scene Text Image Super-Resolution in the Wild》
测试跑通，代码无异常
使用方法直接查看项目中readme

TSRN使用结果：直接用预训练模型测试场景数据，有一定的效果，没有作深入研究；

liif（Local Implicit Image Function）算法

（liif-main 训练测试工程）
论文：《Learning Continuous Image Representation with Local Implicit Image Function》<br>
      （用局部隐式图像函数学习连续图像表示）
训练测试跑通
使用方法直接查看项目中readme

liif使用结果：直接用预训练模型测试场景数据，没有什么特别的效果；然后对训练代码中数据处理稍作修改，加入了自己做的场景数据做训练，效果较好，目前正在进一步加入场景数据做训练；总结而言，该算法使用后，能够解决由于单纯使用放大出现的马赛克问题；

输入图片：

结果图片：

训练方法：超分方法：跑通LIIF_猫猫与橙子的博客-CSDN博客

Real-ESRGAN

工程：https://github.com/xinntao/Real-ESRGAN

Real-ESRGAN使用结果：直接使用作者给的demo运行场景数据，效果没那么好，原因：图片中像素本身缺失严重，出来的结果会变得很奇怪；

输入图片：

结果图：