【图像超分】论文复现：万字长文！Pytorch实现VDSR！血与泪的数据处理与训练过程总结！深度学习中的各种踩坑记录！适合各种深度学习新手！帮助你少走弯路！附PSNR最优的VDSR模型权重文件！

已于 2024-04-05 17:30:56 修改
阅读量9.7k 收藏 25
点赞数 25
分类专栏： 超分辨率重建（理论+实战，科研+应用） 文章标签： 深度学习 pytorch 人工智能 python 计算机视觉 超分辨率重建 图像超分
于 2024-03-18 10:16:56 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/136625210
版权
本文详细介绍了使用Pytorch复现VDSR模型的过程，包括数据预处理、模型结构、训练、测试和模型性能优化。通过Python实现数据增强和HDF5格式数据集制作，针对超分辨率重建任务，分享了训练中遇到的问题及解决方案，提供性能最优的VDSR模型权重文件。
摘要由CSDN通过智能技术生成

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：Accurate Image Super-Resolution Using Very Deep Convolutional Networks

对应的论文精读：【图像超分】论文精读：Accurate Image Super-Resolution Using Very Deep Convolutional Networks (VDSR)

请配合上述论文精读文章使用，效果更佳！

本文综合现有的VDSR相关代码，用pytorch实现极简风格的VDSR࿰

了解本专栏 订阅专栏 解锁全文
十小大
关注
专栏目录
订阅专栏
【图像超分】论文复现：万字长文！Pytorch实现SRDenseNet！模型结构搭建通俗易懂！修正各种代码问题！适合各种深度学习新手！帮助你少走弯路！性能与原论文近似！
畅游计算机视觉的海洋
04-15 2216
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）本文亮点：论文地址：Image Super-Resolution Using Dense Skip Connections本文对应论文精读：【图像超分】论文精读：Image Super-Resolution Using Dense Skip Connections（SRDenseNet）请配合上述
论文复现：Pytorch实现VDSR
03-15
1.数据增强：旋转、翻转、缩放（可选）。 2.制作.h5格式的数据集：python实现，与github上的matlab代码相同，统一了编程语言。 3.模型实现：pytorch搭建vdsr网络。 4.训练：参数与论文中完全一致，与github上的参考代码不同。 5.测试：PSNR评估和图像可视化，与Bicubic双三次插值对比。 资源对应文章：https://blog.csdn.net/qq_36584673/article/details/136625210 本文用Pytorch实现了VDSR算法的全部流程。将参考4中的制作.h5数据集的matlab代码改为python，统一了编程语言。这样，在python项目中只需按顺序一步一步运行文件，即可得到最终的结果。 使用说明请见文章，非常详细，手把手教你运行。
图像超分辨率[CVPR2016]-VDSR-PyTorch代码复现
EP的别三日
11-19 9080
图像超分辨率[CVPR2016]-VDSR-PyTorch代码复现前言：跑源码遇到的问题PSNR(图像峰值信噪比)vdsr.py中参数对卷积参数的初始化用91张图片数据集训练的结果后记： 前言： Implementation of CVPR2016 Paper: “Accurate Image Super-Resolution Using Very Deep Convolutional Networks”(http://cv.snu.ac.kr/research/VDSR/) in PyTorch 论文原作
基于pytorch的改进的VDSR的复现（基于FSRCNN的）
gwpscut的博客
11-02 4690
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...
1. vdsr代码笔记-pytorch
weixin_44098238的博客
10-30 2085
OS模块 Python中的os模块是提供了丰富的方法来处理文件和目录、 python-os详解 panda模块 python-panda详解 Pandas是Python的一个大数据处理模块。Pandas使用一个二维的数据结构DataFrame来表示表格式的数据，相比较于Numpy，Pandas可以存储混合的数据结构，同时使用NaN来表示缺失的数据，而不用像Numpy一样要手工处理缺失的数据，并且...
vdsr学习-代码问题
ymy_ymy22的博客
01-08 930
H5文件无法加载 TypeError: h5py objects cannot be pickled 多线程加载时会报错。 修改：training_data_loader = DataLoader(dataset=train_set, num_workers=opt.threads, batch_size=opt.batchSize, shuffle=True) 改为：training_data_loader = DataLoader(dataset=train_set, batch_size=op
【图像超分】论文复现：万字长文！Pytorch实现EDSR！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！
畅游计算机视觉的海洋
04-16 2188
Pytorch实现EDSR！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！讲解细致，EDSR流程全通，代码注释丰富，适合新手入门阅读！深度思考，踩坑报错全记录，代码中均已修正！python实现matlab中的RGB转YCbCr，解决matlab.engine无法使用的问题！EDSR的性能与论文接近！
【图像超分】论文复现：万字长文！Pytorch实现SRResNet！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！
最新发布
畅游计算机视觉的海洋
04-17 1943
Pytorch实现SRResNet！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！将SRResNet单独训练，方便做实验测试！SRResNet的模型性能达到最优，可以用于论文中实验的对比方法和测试自己的图像数据
【图像超分】论文复现：万字长文！Pytorch实现LapSRN代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！
畅游计算机视觉的海洋
04-16 1781
论文题目：Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution —— 用于快速准确的超分辨率的深度拉普拉斯金字塔网络【图像超分】论文精读：Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution（LapSRN）请配合上述论文精读文章使用，效果更佳！
pytorch VDSR超分辨训练测试评估代码
06-15
基于pytorch平台的，用于图像超分辨率的深度学习模型：SRCNN。 其中包含网络模型，训练代码，测试代码，评估代码，预训练权重。 评估代码可以计算在RGB和ＹＣｒＣｂ空间下的峰值信噪比PSNR和结构相似度。
哈尔小波的代码
05-02
关于哈尔小波的代码,可运行。这是之前在网上找到的一个资源
EDSR-Tensorflow：针对单图像超分辨率的增强型深度残差网络的Tensorflow实现
02-06
EDSR Tensorflow实施 使用Tensorflow编写的的的实现。 要求 张量流 科学的 tqdm argparse 安装 pip install -r requirements.txt 训练 为了训练，您必须做一些事情... 下载图像数据集（由于我的计算限制，我使用了 ） 将来自该数据集的所有图像放入该图像下的目录中 运行python train.py --dataset data_dir其中data_dir是包含图像的目录 为了在训练期间查看统计信息（图像预览，标量为损失），只需运行tensorboard --logdir your_save_directory ，其中y
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
基于VDSR的python简单学习——model.py（一）
lily1ivy的博客
03-05 451
继utils.py后新的学习，决定先大体了解代码再仔细研究算法～有误的地方还望指正～ tf： tf.placeholder(dtype, shape=None, name=None)：定义过程，执行时会赋值。其中，dtype为数据类型，例如tf.float32等，shape为数据形状，格式为[None, …]，name为名称。原文链接：https://blog.csdn.net/kdongyi...
VDSR论文学习笔记
hjhr2018的博客
11-17 2439
VDSR网络是韩国首尔国立大学Jiwon Kim等人在SRCNN基础上又一次新的突破，在单图像超分辨率重建（SR）方面展示出了更好的性能。
超分辨率python_基于深度学习的图像超分辨率(VDSR, SRCNN,FSTRCNN)
weixin_39818662的博客
12-07 378
# -*- coding: utf-8 -*-"""Spyder EditorThis is a temporary script file."""import numpy as npimport tensorflow as tffrom keras import layersfrom keras.layers import Input, Add, Dense, Activation, ZeroP...
图像处理之A steganographic method for images by pixel-value differencing(PVD)论文复现
qq_44111805的博客
09-07 1390
尽管我们可以通过强制将脱离的边界值作为0和255的边界值之一，并将另一个值调整为适当的值以满足差值d’，从而将两个新值重新调整到[0, 255]的有效范围内，但在某些情况下，这可能会产生与周围区域对比的异常点。即当d接近0时，我们创建宽度较小的范围，当d远离0时，创建宽度较大的范围，以产生更好的不可察觉的结果。提出的方法中使用的载体图像是256个灰度值的图像。换句话说，在提出的数据嵌入过程中，我们用两个新的灰度值来调整每个双像素对中的灰度值，这些灰度值的差异会导致隐写图像的观察者无法注意到的变化。
VDSR神经网络
我の博客
01-28 6874
残差超分辨率网络
python深度学习psnr代码
04-30
PSNR(Peak Signal-to-Noise Ratio)是图像处理中广泛使用的一种评价指标，它可以用来度量图像的清晰度和失真程度。Python深度学习代码可以实现计算图像的PSNR值。以下是一个简单的代码示例： 1. 导入相关的库： ``` import cv2 import numpy as np ``` 2. 定义计算PSNR的函数： ``` def psnr(img1, img2): mse = np.mean((img1 - img2) ** 2) if mse == 0: return 100 max_pixel = 255.0 psnr = 20 * np.log10(max_pixel / np.sqrt(mse)) return psnr ``` 其中，img1和img2分别表示待比较的两幅图像。 3. 加载图片并进行PSNR计算： ``` # 读取图片 img1 = cv2.imread('img1.png') img2 = cv2.imread('img2.png') # 将图像转换为灰度图 gray_img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) gray_img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY) # 计算PSNR值 psnr_value = psnr(gray_img1, gray_img2) print("PSNR值为：", psnr_value) ``` 在这个例子中，我们首先通过cv2.imread()函数加载了两幅图像，然后将它们转换为灰度图。最后，我们调用psnr()函数计算了两幅灰度图的PSNR值，并输出了结果。 需要注意的是，这个代码示例中只针对灰度图进行了处理。如果你需要计算彩色图像的PSNR值，你需要对RGB三个通道分别进行处理，然后将处理结果求平均值。
评论 4
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