【图像超分】论文复现：Pytorch实现FSRCNN，包含详细实验流程和与SRCNN的比较

已于 2025-04-14 18:30:49 修改
阅读量1.1w 收藏 26
点赞数 18
分类专栏： 超分辨率重建（理论+实战，科研+应用） 文章标签： pytorch 人工智能 python 计算机视觉 深度学习 超分辨率重建 图像超分
于 2024-03-12 17:53:32 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/qq_36584673/article/details/136531222
版权
本文详细介绍了基于Pytorch复现FSRCNN的过程，包括网络结构、训练、测试及与SRCNN的比较。FSRCNN通过改进网络结构，提升了超分辨率性能，同时模型大小更小。实验结果显示，FSRCNN在PSNR上表现优于SRCNN，但在SSIM上稍逊。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

第一次来请先看这篇文章：【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）

文章目录

前言

论文地址：Accelerating the Super-Resolution Convolutional Neural Network

论文精读：【图像超分】论文精读：Accelerating the Super-Resolution Convolutional Neural Network（FSRCNN）

请配合上述论文精读文章使用，效果更佳！

本文代码地址（jupyter notebook，分单元执行，理解实现思路）：

了解本专栏 订阅专栏 解锁全文
【图像超分】论文复现：Pytorch实现FSRCNN！整合到SRCNN项目中！提供完整代码和最优权重模型(x2、x3、x4)！科研级论文曲线图！计算平均PSNR和SSIM！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
05-21 635
上一篇文章我们用python项目的形式重新复现了SRCNN，本文我们将以相同形式重新复现FSRCNN。与复现SRCNN不同，本文我们将在SRCNN的项目代码中添加FSRCNN，以便未来将模型都整合在一个项目中，不用再一个一个项目打开测试模型了，提高效率。【图像超分】论文复现：Pytorch实现SRCNN！保姆级复现教程！提供完整代码和最优权重模型(x2、x3、x4)！科研级论文曲线图！计算平均PSNR和SSIM！代码Windows和Linux都可用！
【图像超分】论文复现：Pytorch实现ESPCN
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
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。
超分辨率重建之FSRCNN超分复现
Lininggggggg的博客
03-18 2074
我分享在github上了，如果能用好用，麻烦在github上点个star哩，哈哈谢谢！ https://github.com/Lininggggggg/SR_super_solution/tree/master/FSRCNN FSRCNN
文章复现：超分辨率网络FSRCNN
qq_41387508的博客
07-27 1335
SRCNN通过三个卷积层来完成对图像的超分，也就是特征提取、特征映射和图像重建。 但是其输入需要预先插值为目标尺寸，在速度上有一定的缺陷，难以应用到实时的研究中，因此Dong等人（SRCNN的第一作者）又改进了SRCNN，于是有了FSRCNN，其中的F代表Fast。 原文摘要 As a successful deep model applied in image super-resolution (SR), the Super-Resolution Convolutional Neural Networ
基于pytorch的FSRCNN的复现
gwpscut的博客
10-26 9256
上次的学习笔记——《学习笔记之——基于pytorch的FSRCNN》一直没把PSNR提上来，为此改用代码https://github.com/xinntao/BasicSR通过这套代码的框架来实现FSRCNN，并把实现过程记录在本博文里面。关于这套代码之前也在博文《学习笔记之——SR流程》介绍过。好，下面开始进入正题   目录 代码脉络的梳理 Config Data Model Mo...
FSRCNN超分辨率复现问题记录
sinat_29018995的博客
09-06 315
1.生成训练集时，不可将图像过分缩小，这样会导致细节消失，属于让网络无中生有，生成的效果很差，难以将细线复原得很顺滑 2.损失函数不要用MSE，MSE容易导致图像边缘模糊，后面改用SmoothL1Loss后提升明显 3.增加网络的层数是一个容易达到目标的方法，但是对于工程来说可能并不是最好的方法 4.处理学习率使用CosineAnnealingLR和ReduceLROnPlateau，感觉效果都不错 5.Loss在训练后期看似变化不大，但实际上其均值还在稳步下降，并且此时每一点的进步都是至关重要的。我的理解
学习笔记之——基于pytorch的FSRCNN
10-26
学习笔记之——基于pytorch的FSRCNN 把我的代码上传了，后续有更正会更新这个代码
【图像超分】论文复现：新手入门！Pytorch实现SRCNN，数据预处理、模型训练、测试、评估全流程详解，注释详细，简单修改就可以训练你自己的图像数据，有训练好的模型下载地址，随取随用
热门推荐
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-11 1万+
【图像超分】论文精读：Image Super-Resolution Using Deep Convolutional Networks（SRCNN）请配合上述论文精读文章使用，效果更佳！图像超分辨率SRCNN和FSRCNN复现代码，除基本的网络实现外，还有特征图可视化，PSNR曲线图可视化，测试自己的图像数据等不想理解原理，希望直接跑通然后应用到自己的图像数据的同学，请直接下载上面的代码，有训练好的模型，直接用即可。具体使用方式见代码中的README！有问题来本文评论区留言！准备数据集，以及数据预处理。
【图像超分】论文精读：Image Super-Resolution Using Deep Convolutional Networks（SRCNN）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-11 1万+
我们提出了一种用于单幅图像超分辨率(SR)的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射被表示为深度卷积神经网络(CNN)，它以低分辨率图像为输入，输出高分辨率图像。我们进一步表明，传统的基于稀疏编码的 SR 方法也可以被视为深度卷积网络。但是与单独处理每个组件的传统方法不同，我们的方法联合优化所有层。我们的深度 CNN 具有轻量级结构，但展示了最先进的恢复质量，并实现了实际在线使用的快速速度。我们探索了不同的网络结构和参数设置，以实现性能和速度之间的权衡。此外，我们扩展了我们的
pytorch学习以FSRCNN为例
theshy123333的博客
08-25 2013
本人刚刚开始学习pytorch，又刚好学习了FSRCNN，想着已学习的代码知识来练习写一个基于FSRCNN的图像超分辨，只记录代码编写过程，没有优化，指标也达不到论文效果，单纯记录学习过程.本文只是用来记录学习过程，简单复现FSRCNN模型但是并没有进行调优，未达到论文效果，经过分析主要有以下原因：（1）首先采用Resize进行下采样默认好像不是双三次插值（2）BSD300训练集中只有200张图片，数据集过少，导致泛化能力不好。
FSRCNN-TensorFlow.rar
06-23
加速图像超分辨率卷积神经网络（FSRCNN）完整代码实现，基于python和TensorFlow。代码主要实现了港中大董超的ECCV论文Accelerating the Super-Resolution Convolutional Neural Network。
SRCNN-FSRCNN-Pytorch.rar
05-20
SRCNN-FSRCNN-Pytorch
FSRCNN代码（Matlab）
09-03
基于FSRCNN的图像超分辨重建算法 加速的SRCNN模型算法
基于pytorch的改进的VDSR的复现（基于FSRCNN的）
gwpscut的博客
11-02 4882
本博文为本人对FSRCNN+residual后的实验的分析博文。不完全采用VDSR的代码，只对其中的residual部分做了参考。 之前的博文《学习笔记之——基于深度学习的图像超分辨率重构》也介绍过VDSR，VDSR是基于SRCNN改进的，这里做的是基于FSRCNN的VDSR。 VDSR的网络结构如下： 那么本博文其实就是把这个网络结构中的SR部分由SRCNN改为FSRCNN 基于...
SRCNN与FSRCNN
weixin_38203533的博客
06-15 7830
SRCNN(DONGC, CHEN C L, HE K, ET AL. LEARNING A DEEP CONVOLUTIONAL NETWORK FOR IMAGESUPER-RESOLUTION[J].ECCV2014)•方法：对于一个低分辨率图像，先使用双三次（bicubic）插值将其放大到目标大小，再通过三层卷积网络做非线性映射，得到的结果作为高分辨率图像输出•三层卷积的结构可解释成：图像...
Faster Rcnn算法复现
azxucmkvfo的博客
10-31 2192
Faster Rcnn算法复现Faster Rnn 实现流程代码TODO 复现算法Faster Rcnn Faster Rcnn算法原文链接：https://arxiv.org/abs/1506.01497 Faster Rnn 实现流程 Faster Rcnn是双阶段目标检测家族中的一员，由Rcnn -> Spp-net -> Fast Rcnn 再到Faster Rcnn，Fast...
加速图像超分辨率重建的卷积神经网络（FSRCNN）
qq_31263401的博客
06-23 5858
1 介绍 图像超分辨率重建是指通过低分辨率图像或图像序列恢复出高分辨率图像。高分辨率图像意味着图像具有更多的细节信息、更细腻的画质，这些细节在高清电视、医学成像、遥感卫星成像等领域有着重要的应用价值。Super-Resolution Convolutional Neural Network：本篇文章讲述的是深度学习在图像超分辨率重建问题的开山之作SRCNN(Super-Resolution Con...
快速超分辨率重建卷积网络-FSRCNN
如何心安理得的在老板眼皮下摸鱼
12-29 1021
1.网路结构图 2.改进点 SRCNN缺点： SRCNN将LR送入网络前进行了双三次插值上采样，产生于真实图像大小一致的图像，会增加计算复杂度，因为插值后图像更大，输入网络后各个卷积层的计算代价会很大，从而限制了网络的整体速度。 非线性映射特征层的计算代价太高。 FSRCNN在这两点上进行了改进： FSRCNN直接采用低分辨率图像作为输入，不进行预处理图像放大，减少计算参数量 去除非线性映射，用相应的收缩，映射和扩展区代替 采用更小的滤波器和更深的网络结构 FSRCNN在网络最后利用反卷
纯C++超分辨率重建FSRCNN --改编--（二）核参数修改 和多参激励vl_nnrelu
juebai123的博客
08-29 411
这里主要说明和LapSRN一些不同之处。 前面的LapSRN中 filters_getDepth ，filters_getSize只是拼凑， vl_impl_nnconv_forward_blas_CPU_float中改为： filters_getDepth=filters_biases->输入维度; filters_getSize=filters_biases->输出维度; ...
FSRCNN训练表现
最新发布
12-27
### FSRCNN 训练性能评估结果分析 #### PSNR 和 图像质量对比 FSRCNN 的表现通过峰值信噪比 (PSNR) 进行了量化评价。实验结果显示，在多个放大比例因子下，FSRCNN 在大多数情况下都超过了其他方法[^1]。具体而言，当与其他竞争性方法如 KK[28] 和 A+[5] 对比时，即使这些方法使用不同数据集进行训练，FSRCNN 依然表现出更好的重建效果。 #### 数据集影响 值得注意的是，FSRCNN 是在特定的数据集（即91图像和 General-100）上训练得到的。这表明该模型能够很好地适应并优化针对这两个数据集的特点，从而实现更高的 PSNR 值和其他指标上的优势。 #### 不同版本间的差异 对于较小规模的模型变体（例如 FSRCNN-s），虽然整体架构相似，但由于参数数量减少，其恢复质量确实不如较大规模的同类模型（如 SRCNN-Ex 或 SCN）。这种差距尤其体现在细节保留方面；小模型容易产生所谓的“锯齿”现象或振铃效应，而大模型则能更好地保持边缘平滑度和纹理清晰度。 ```python import cv2 from skimage.metrics import peak_signal_noise_ratio as psnr, structural_similarity as ssim def evaluate_model_performance(original_image_path, reconstructed_image_path): original = cv2.imread(original_image_path) reconstruced = cv2.imread(reconstructed_image_path) # Calculate PSNR and SSIM between the two images score_psnr = psnr(original, reconstruced) score_ssim = ssim(original, reconstruced, multichannel=True) return { 'psnr': score_psnr, 'ssim': score_ssim } ``` 此代码片段展示了如何利用 Python 库计算原始图片与重构后的高分辨率图片之间的 PSNR 及结构相似指数测量(SSIM)，这是衡量超分辨算法性能的重要手段之一。
评论 3
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

十小大

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