【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！

于 2024-04-16 09:55:49 发布
阅读量1.8k 收藏 1
点赞数
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 超分辨率重建 图像处理 计算机视觉 图像超分
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/136934003
版权

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）

修改后代码和权重文件下载见文末链接！！！包含制作好的h5数据集和最优性能权重文件，可直接用于测试。

本文亮点：

  • 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

文章目录

前言

论文地址：Enhanced Deep Residual Networks for Single Image Super-Resolution

对应的论文精读：【图像超分】论文精读：Enhanced Deep Residual Networks for Single Image Super-Resolutionÿ

了解本专栏 订阅专栏 解锁全文
十小大
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
【图像超分】论文复现：Pytorch实现WDSR！保姆级复现教程！代码注释详尽！完整代码和x2、x3、x4下的最优模型权重文件可以直接用！绘制论文曲线图！计算主流测试集的平均PSNR和SSIM！
畅游计算机视觉的海洋
05-06 1865
论文题目：Wide Activation for Efficient and Accurate Image Super-Resolution —— 高效、准确的图像超分辨率的广泛激活【图像超分】论文精读：Wide Activation for Efficient and Accurate Image Super-Resolution（WDSR）请配合上述论文精读文章使用，效果更佳！
（EDSR论文实现）pytorch复现1
qq_40107571的博客
07-07 2004
残差模块常见的残差模块如下图左边，是由两个卷积层组成 。右边是瓶颈残差模块。这里的1*1的卷积是用来进行升维和降维的。 上采样模块。这里的上采样模块分别可以实现2，3，4倍上采样。通常上采样模块放在模型的尾端。这里使用的亚像素卷积层。......
图像超分辨率算法EDSR的Pytorch版本复现代码，适合新手，修改后无bug，含制作好的h5数据集和最优PSNR的模型权重文件
最新发布
04-12
配套文章：https://blog.csdn.net/qq_36584673/article/details/136934003 编译器：anaconda + pycharm pytorch环境：torch1.9.1+cuda11.1 再安装好所需的包即可运行。 文件目录： data：数据集和生成h5数据集的matlab文件 Set5：测试集Set5（matlab生成的.mat格式，不用matlab生成这个格式计算的PSNR有偏差，这样最准） dataset.py：将h5数据集转成Tensor格式，作为DataLoader的输入 edsr.py：EDSR网络模型的实现 eval.py：评估测试集，得到与Bicubic对比的PSNR值 main_edsr.py：训练EDSR过程 test.py：可视化超分结果，计算单张图像的PSNR mode_edsr.pth：训练后生成的模型文件 使用方法： 1.执行main_edsr.py训练EDSR 2.执行eval.py计算Set5的平均PSNR 3.执行test.py可视化超分结果对比并计算单张图像的PSNR
超分辨率matlab代码-pytorch-edsr:EDSR的Pytorch实施（CVPR2017）
05-26
超分辨率matlab代码PyTorch EDSR 在PyTorch中实施CVPR2017研讨会论文：“增强的深度残差网络以实现单图像超分辨率”（） 用法 训练 usage: main_edsr.py [-h] [--batchSize BATCHSIZE] [--nEpochs NEPOCHS] [--lr LR] [--step STEP] [--cuda] [--resume RESUME] [--start-epoch START_EPOCH] [--threads THREADS] [--momentum MOMENTUM] [--weight-decay WEIGHT_DECAY] optional arguments: -h, --help show this help message and exit --batchSize BATCHSIZE training batch size --nEpochs NEPOCHS number of epochs to train for --lr LR Learning Rate. Default=1e-4 --step STEP
EDSR-PyTorch复现
走过路过不要错过
07-26 7663
最终测试命令 python main.py --data_test Demo --scale 4 --n_resblocks 32 --n_feats 256 --res_scale 0.1 --pre_train ..\\models\\EDSR_x4.pt --test_only 首先：需要先下载预训练模型，然后放到相应路径，https://cv.snu.ac.kr/research/EDSR/model_pytorch.tar，最后在运行命令中的--pre_train指定模型路径。 1..
EDSR-pytorch复现anaconda环境配置
weixin_37897927的博客
03-13 1839
同学接到了老师的任务复现某篇SR论文，其中参考了EDSR。打算用anaconda配个环境~ EDSR源代码GitHub链接 论文链接： Bee Lim, Sanghyun Son, Heewon Kim, Seungjun Nah, and Kyoung Mu Lee, "Enhanced Deep Residual Networks for Single Image Super-Resolution 整个配置过程都挺顺利的，出错的话可以在评论区发一下我们讨论一下哈 一、环境需要 github上给出的环境依
EDSR复现
那些年踩过的“坑”
04-26 685
经典 EDSR模型的复现
图像超分辨率—EDSR训练及测试教程（Pytorch）
hsdujdjrjrj的博客
12-24 1102
超分重建经典算法EDSR开源代码使用教程。论文名称：Enhanced Deep Residual Networks for Single Image Super-Resolution，CVPR2017。
高性能图像超分辨率——EDSR-PyTorch
gitblog_00018的博客
03-23 506
高性能图像超分辨率——EDSR-PyTorch 项目地址:https://gitcode.com/sanghyun-son/EDSR-PyTorch 项目简介 EDSR-PyTorch 是一个基于PyTorch实现的深度学习模型，用于图像的超分辨率处理。该模型源自Sang-Hyun Son等人在2017年的论文《Enhanced Deep Residual Networks for Single ...
EDSR-PyTorch代码复现【linux服务器】
weixin_44374783的博客
03-20 1001
1、根据原论文作者所提供的代码进行下载2、配置环境官方提供的环境配置要求如下：创建环境，并根据要求进行配置。（我这边的pytorch版本为pytorch，需要根据服务器上cuda的版本匹配进行配置）基本上的库使用conda install xxx就能进行安装。3、下载预训练模型在README.md文件中下载预训练模型，并放置到EDSR-PyTorch/experiment/test/model中（并不是一定要按这个位置存放）
基于pytorch的EDSR代码复现
literacy_wang的博客
04-22 6885
在官网上将EDSR代码下载后，用pycharm打开 读了readme文件，提到可以先测试图像。所以下面是先测试图像的过程 第一步：下载预训练模型 readme文件里有给出链接，将下载的预训练模型保存至experiment/test/model下 第二步，改option.py中的路径 将option.py中的文件里面带有预训练的路径改为刚刚下载好的预训练模型路径 第二行的extend是什么目前还没有研究，后期再说，也顺便改了。 测试的路径不用改，代码给出了一个鸟的测试图片，就是…//test 第三步，改m
EDSR-PyTorch-master.zip
08-28
超级分辨率MDSR带有训练好的模型文件文件PNSR为29.5还不错虽然和官方的相差7个点，还是可以去掉一些边缘马赛克的
EDSR/WDSR/SRGAN单张图片超分辨率Tensorflow 2.0参考实现-python
06-18
基于Tensorflow 2.0的EDSR，WDSR和SRGAN的实现，可实现单图像超分辨率 具有 EDSR、WDSR 和 SRGAN 的单图像超分辨率基于 Tensorflow 2.x 的增强型深度残差网络实现单图像超分辨率 (EDSR)，NTIRE 2017 超分辨率挑战赛的获胜者。 Wide Activation for Efficient and Accurate Image Super-Resolution (WDSR)，NTIRE 2018 超分辨率挑战（真实轨迹）的获胜者。 使用生成对抗网络 (SRGAN) 的逼真单图像超分辨率。 这是对旧的基于 Keras/Tensorflow 1.x 的实现的完全重写，这里可用。 某些部分仍在进行中，但您已经可以通过高级训练 API 训练论文中所述的模型。 此外，您还可以在 SRGAN 上下文中微调 EDSR 和 WDSR 模型。 笔记本中给出了训练和使用示例 example-edsr.ipynb example-wdsr.ipynb example-srgan.ipynb DIV2K 数据提供者自动下载给定比例（2、3、
EDSR-关于超分辨率
01-04
超分辨率的资源。。
第十章（5）：基于pytorch的transformer代码实现与详细解析（万字长文）
07-25
第十章（5）：基于pytorch的transformer代码实现与详细解析（万字长文）
020第十章（5）：基于pytorch的transformer代码实现与详细解析（万字长文）
08-08
020第十章（5）：基于pytorch的transformer代码实现与详细解析（万字长文）
数据治理怎么做？这篇万字长文终于讲清楚了!.docx
06-17
业务元数据解释业务相关的数据含义，技术元数据描述数据的技术特性，而操作元数据则涉及元数据管理的流程和操作记录。元数据管理有助于理解和控制数据的全生命周期。 3. **数据模型**：数据模型是数据结构、操作和...
产品分析报告：万字长文，全方位拆解B站.pdf
07-22
产品分析报告：万字长文，全方位拆解B站.pdf
编写程序实现两个超长正整数(每个最长80位数字)的加法运算。_万字长文！位运算面试看这篇就够了！...
06-01
好的，这是一个比较复杂的问题，需要用到字符串的操作和进位等知识。以下是一个简单的实现示例： ```python def add_long_integers(num1, num2): # 将两个数字用字符串的形式存储，并且将其逆序，方便从个位开始相加 num1 = num1[::-1] num2 = num2[::-1] result = [] carry = 0 # 进位 # 从个位开始逐位相加 for i in range(max(len(num1), len(num2))): digit1 = int(num1[i]) if i < len(num1) else 0 # 如果长度不足，补0 digit2 = int(num2[i]) if i < len(num2) else 0 # 如果长度不足，补0 sum_digit = digit1 + digit2 + carry # 相加 result.append(str(sum_digit % 10)) # 取个位，存储到结果中 carry = sum_digit // 10 # 计算进位 # 如果还有进位，加上去 if carry: result.append(str(carry)) # 将结果逆序，并且转为字符串 return ''.join(result[::-1]) ``` 使用方法： ```python num1 = "123456789012345678901234567890123456789012345678901234567890" num2 = "987654321098765432109876543210987654321098765432109876543210" result = add_long_integers(num1, num2) print(result) # 1111111111111111111111111111111111111111111111111111111111110 ``` 这里的 `add_long_integers` 函数可以处理两个最长80位数字的加法运算。如果其中一个数字比另一个数字长，则会在短的数字前面补0。需要注意的是，这个函数只能处理正整数的加法，如果需要处理负数或小数等其他类型的数值，需要进行相应的修改。
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

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