【图像超分】论文复现：Pytorch实现RDN！保姆级复现教程！实现与原论文基本一致的PSNR和SSIM！代码注释详尽！易读易复用！可用于训练自己的数据集！附完整代码和各放大倍数下的最优模型权重文件！

最新推荐文章于 2024-05-17 18:19:53 发布
最新推荐文章于 2024-05-17 18:19:53 发布
阅读量2k 收藏 1
点赞数 44
分类专栏： 超分辨率重建（理论+实战，科研+应用） 文章标签： 超分辨率重建 pytorch python 计算机视觉 图像处理 深度学习 人工智能
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/138188783
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）

项目代码和最优性能的权重文件下载见文末链接！！！可以复现论文、训练自己的数据集，详细代码使用说明！！！同时包含最优性能的模型权重文件（x2、x3、x4），可以直接用来超分自己的图像！！！

本文亮点：

  • 详解RDN的网络结构、训练流程、测试流程、画图流程，代码注释详细，无论是科研还是应用，新手小白都能看懂，学习阅读毫无压力；
  • 提供完整代码和x2、x3、x4训练好的最优模型权重文件，可以直接拿来超分自己的图像数据；
  • 只需简单替换训练集，即可训练你自己的图像数据集，给出了可能的调参方式；
  • 量化评估实现，计算测试集Set5、Set14、BSD100、URBAN100、MANGA109的平均PSNR和SSIM，指标与原论文基本一致，有的甚至更高。
  • 质量评估实现，可视化图像超分结果，
了解本专栏 订阅专栏 解锁全文
十小大
关注
  • 44
    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
论文复现：Pytorch实现VDSR
03-15
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...
【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
畅游计算机视觉的海洋
03-12 9949
请配合上述论文精读文章使用，效果更佳！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硬件环境：windows11+RTX 2060（比这个高肯定没问题，我这个配置本机跑500个epoch一点问题没有，一会就跑完。但超分自己的图像时，如果图像很大，可能有内存溢出的错误。
【图像超分】论文复现：Pytorch实现ESPCN
畅游计算机视觉的海洋
03-13 9878
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。
【图像超分】论文复现：Pytorch实现ARCNN和FastARCNN！保姆级复现教程！代码注释详细！细节完善！提供完整代码和最优权重模型！绘制科研级论文曲线图！计算测试集的平均PSNR和SSIM！
畅游计算机视觉的海洋
05-13 264
论文题目：Deep Convolution Networks for Compression Artifacts Reduction —— 用于压缩伪影减少的深度卷积网络【图像超分】论文精读：Deep Convolution Networks for Compression Artifacts Reduction（ARCNN）请配合上述论文精读文章使用，效果更佳！
【图像超分】论文复现：新手入门必备！Pytorch实现SRGAN！手把手详细教程！代码注释详尽！可用于训练自己的数据集！实时验证模型性能！绘制PSNR曲线图！附训练好的各放大倍数的模型权重文件！
畅游计算机视觉的海洋
04-15 3913
【图像超分】论文精读：SRResNet/SRGAN【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！请配合上述论文精读文章使用，效果更佳！与原论文描述不一样的实现部分，也即可以修改的部分数据集使用：论文中是ImageNet随机选35000张图像，本文是VOC2012数据集16700张图像。数据集预处理：裁剪大小不同，论文是96×96，本文是88×88。
Dynamic-convolution-Pytorch:Pytorch !!! Pytorch !!! Pytorch !!! 动态卷积
05-29
Pytorch!!!Pytorch!!!Pytorch!!! Dynamic 3d/2d convolution and some models' accuracy. 2020/8/30 Basic dynamic 2d and 3d convolution done. Next:some basic models and accuracy rate. 代码实现的原理 如果...
图像超分辨率ARCNN的Pytorch复现代码，注释详细，含科研绘图，各Quality下的最优SSIM和PSNR的模型权重文件
05-13
保姆级使用教程：https://blog.csdn.net/qq_36584673/article/details/138668792 data：测试单张图像以及超分结果文件夹 datasets：数据集存放文件夹，包含训练集、验证集和测试集 Plt：Loss、PSNR、SSIM与Epoch...
图像超分辨率SRCNN的Pytorch复现代码，注释详细，含科研绘图，最优SSIM和PSNR的模型权重文件(x2、x3、x4)
05-14
保姆级使用教程：https://blog.csdn.net/qq_36584673/article/details/138836834 data：测试单张图像以及超分结果文件夹 datasets：数据集存放文件夹，包含训练集、验证集和测试集 Plt：Loss、PSNR、SSIM与Epoch...
图像超分辨率RDN的Pytorch版本复现代码，注释详细，易读易复用，含最优SSIM和PSNR的模型权重文件(x2、x3、x4)
04-28
draw_evaluation.py：绘制Loss、PSNR、SSIM与Epoch的关系曲线图，保存在Plt文件夹中 models.py：RDN模型实现 prepare.py：制作h5格式的训练集和验证集 test.py：测试单张图像，将超分结果保存在data文件夹中 test_...
[超分辨率重建]ESRGAN算法训练自己的数据集过程
Cr_NanMao的博客
02-07 1667
粗略记录sr模型训练过程，具体过程根据手册为准
PyTorch中的torch.cuda.amp.autocast
chen_znn的博客
05-14 330
本文介绍了pytorch中的torch.cuda.amp.autocast
图神经网络入门示例：使用PyTorch Geometric 进行节点分类
deephub
05-17 4040
在本文中，我们将一个CSV文件转换为数据对象，然后使用PyTorch为节点分类任务构建基于图的神经网络。并且训练了两种不同类型的神经网络——多层感知器(MLP)和图卷积网络(GCN)。结果表明，GCN模型在该数据集上的表现明显优于MLP模型。本文介绍的主要流程是我们训练图神经网络的基本流程，尤其是前期的数据处理和加载，通过扩展本文的基本流程可以应对几乎所有图神经网络问题。作者：Claudia Ng。
【pytorch 中 于contiguous、permute和transpose用法】
fyc300的博客
05-15 888
方法定义:在PyTorch中，contiguous是一个Tensor的方法，用于返回一个在内存中连续存储的Tensor。这意味着Tensor的所有元素在内存中都是连续排列的，没有间隔。用途:在进行某些操作（如view或reshape）之前，Tensor可能需要是连续的。当使用某些操作（如to方法改变数据类型或设备）时，Tensor可能会变得不连续。在某些情况下，为了效率考虑，你可能希望Tensor是连续的。
Pytorch中的一些函数参数讲解
knighthood2001
05-17 1414
在这个示例中，我们首先创建了一个大小为 (1, 3, 10, 10) 的输入特征图，其中 1 表示批量大小，3 表示通道数，10x10 表示特征图的高度和宽度。表示使用原地操作执行 ReLU 激活函数，即直接在输入张量上执行 ReLU 操作，并修改输入张量本身，而不是创建一个新的张量来存储结果。在深度学习中，上采样通常用于将低分辨率的特征图恢复到原始输入图像的分辨率，或者增大图像以便进行后续的处理。（输出张量）：可选参数，用于指定输出张量。（默认情况），则会创建一个新的张量来存储操作的结果，并将其返回。
[PyTorch][PyTorch Lightning]：断点续训
Bin_Dut的博客
05-14 329
日志：保存训练过程中的日志信息，包括损失、指标和训练时间等信息。对象的状态，包括当前的 epoch 和 batch 等信息。优化器状态：保存优化器的状态，包括当前的学习率和动量等信息。参数来控制是否保存模型的权重、最后一次保存的模型权重和。，则只会保存模型的权重，而不会保存其他信息。在需要从断点继续训练的时候，创建一个新的。参数来指定要继续训练的模型状态的路径。对象的状态以及其他信息。参数来指定要恢复训练的检查点路径。参数，以指示从该检查点处恢复训练。回调来保存模型的状态。模型权重：保存模型的权重参数。
在Windows环境下安装CPU版的PyTorch
brucexia的专栏
05-14 321
，在主页中根据自己的计算机选择Linux、Mac或Windows系统，如图2-18所示，系统将给出对应的安装命令语句，比如这里为pip3 install torch torchvision torchaudio。PytTorch是基于Python开发的，首先需要安装Python，Python的安装很简单，这里不再赘述。而 Windows用户能直接通过conda、pip和源码编译三种方式来安装PyTorch。如果没有报错，则说明PyTorch安装成功。打开PyTorch官网（
Rust：如何使用 Pytorch 深度学习模型？
最新发布
程序猿视角
05-17 260
crate需要与LibTorch库一起使用，因此你需要在系统中安装LibTorch，并确保Rust程序在编译时能够找到它。下面是一个简单的例子，展示了如何在Rust程序中加载一个PyTorch模型并进行预测。假设你已经有一个训练好的PyTorch模型，例如一个简单的线性回归模型，并将其保存为。最后，请确保你的Rust环境已经正确设置，并且你已经安装了与你的PyTorch模型兼容的LibTorch库。请注意，这个例子假设你已经有了一个训练好的PyTorch模型，并且该模型是用PyTorch的。
Colab/PyTorch - 004 Torchvision Semantic Segmentation
lida2003的专栏
05-15 787
到目前为止，已经看到了代码的工作原理以及输出在质量上的表现。在CPU和GPU上的推断时间模型的大小。推断时使用的GPU内存。
psnr和ssim的pytorch实现并用折线图显示
08-31
### 回答1： PSNR 和 SSIM 的 PyTorch 实现代码如下： ``` import torch import numpy as np import matplotlib.pyplot as plt def psnr(img1, img2): mse = torch.mean((img1 - img2)**2) if mse == 0: return 100 PIXEL_MAX = 1.0 return 20 * torch.log10(PIXEL_MAX / torch.sqrt(mse)) def ssim(img1, img2, data_range=1.0, size_average=True): window = torch.hann_window(11) K1 = 0.01 K2 = 0.03 C1 = (K1 * data_range) ** 2 C2 = (K2 * data_range) ** 2 mu1 = torch.nn.functional.conv2d(img1, window.unsqueeze(0).unsqueeze(0), stride=1, padding=5) mu2 = torch.nn.functional.conv2d(img2, window.unsqueeze(0).unsqueeze(0), stride=1, padding=5) mu1_sq = mu1.pow(2) mu2_sq = mu2.pow(2) mu1_mu2 = mu1 * mu2 sigma1_sq = torch.nn.functional.conv2d(img1 * img1, window.unsqueeze(0).unsqueeze(0), stride=1, padding=5) - mu1_sq sigma2_sq = torch.nn.functional.conv2d(img2 * img2, window.unsqueeze(0).unsqueeze(0), stride=1, padding=5) - mu2_sq sigma12 = torch.nn.functional.conv2d(img1 * img2, window.unsqueeze(0).unsqueeze(0), stride=1, padding=5) - mu1_mu2 if size_average: SSIM = ((2 * mu1_mu2 + C1) * (2 * sigma12 + C2)) / ((mu1_sq + mu2_sq + C1) * (sigma1_sq + sigma2_sq + C2)) else: raise Not ### 回答2： PSNR（峰值信噪比）和SSIM（结构相似性）是评估图像质量的常用指标，它们可以通过PyTorch进行实现。这里我们先介绍一下它们的原理。 PSNR测量的是原始图像与压缩或者失真后图像之间的差别。它的计算公式为： PSNR = 10 * log10((MAX^2) / MSE) 其中，MAX是像素值的最大可能取值，MSE代表均方误差。在PyTorch中，我们可以使用`torch.mean`函数来计算MSE，然后根据PSNR的公式计算出PSNR值。 SSIM衡量的是两幅图像之间的结构相似性。它是基于亮度、对比度和结构三个方面的比较。在PyTorch中，我们可以使用`torch.mean`、`torch.var`、`torch.covar`等函数计算图像的均值、方差和协方差，然后利用这些值计算出SSIM值。 为了显示结果，我们可以使用折线图。在PyTorch中，可以使用Matplotlib库绘制折线图。我们将PSNR和SSIM计算的结果按照图像的索引进行组织，然后使用Matplotlib库的`pyplot.plot`函数将这些结果绘制成折线图。 具体的代码实现如下： ```python import torch import matplotlib.pyplot as plt # 计算PSNR def psnr(original, compressed): mse = torch.mean((original - compressed) ** 2) max_pixel = torch.max(original) psnr = 10 * torch.log10(max_pixel**2 / mse) return psnr # 计算SSIM def ssim(original, compressed): c1 = (0.01 * 255) ** 2 c2 = (0.03 * 255) ** 2 mean_original = torch.mean(original) mean_compressed = torch.mean(compressed) var_original = torch.var(original) var_compressed = torch.var(compressed) cov = torch.mean((original - mean_original) * (compressed - mean_compressed)) ssim = ((2 * mean_original * mean_compressed + c1) * (2 * cov + c2)) / ((mean_original ** 2 + mean_compressed ** 2 + c1) * (var_original + var_compressed + c2)) return ssim # 生成示例图像 original_images = [torch.randn(3, 256, 256) for _ in range(10)] compressed_images = [torch.randn(3, 256, 256) for _ in range(10)] # 计算PSNR和SSIM psnr_values = [] ssim_values = [] for i in range(10): psnr_values.append(psnr(original_images[i], compressed_images[i])) ssim_values.append(ssim(original_images[i], compressed_images[i])) # 显示折线图 plt.plot(range(10), psnr_values, label='PSNR') plt.plot(range(10), ssim_values, label='SSIM') plt.xlabel('Image Index') plt.ylabel('Metric Values') plt.title('PSNR and SSIM') plt.legend() plt.show() ``` 这段代码会生成10个示例图像，并分别计算它们的PSNR和SSIM值。然后使用Matplotlib库绘制一个折线图来显示这些值。折线图中，横坐标代表图像索引，纵坐标代表对应的PSNR和SSIM值。 ### 回答3： PSNR和SSIM是两种常用的用于图像质量评估的指标。下面给出它们的PyTorch实现，并用折线图显示它们在不同图像数据上的值。 首先，我们需要导入所需的库。以下是一个简单的例子: ```python import torch import torch.nn.functional as F import torchvision.transforms.functional as TF import matplotlib.pyplot as plt ``` 下一步是加载图像数据并将其转换为张量。这一步假设你已经准备好一个包含图像数据的文件夹，其中包含了你想要进行测试的图像。 ```python image_path = "path/to/your/image.jpg" image = Image.open(image_path) image_tensor = TF.to_tensor(image).unsqueeze(0) ``` 接下来，我们可以定义PSNR和SSIM函数。这些函数将计算图像之间的PSNR和SSIM值，并将其返回。 ```python def psnr(original, compared): mse = F.mse_loss(original, compared) return 10 * torch.log10(1 / mse) def ssim(original, compared): return torch.sum(F.l1_loss(original, compared)) ``` 最后，我们可以计算每个图像的PSNR和SSIM值，并将结果绘制成折线图。 ```python psnr_values = [] ssim_values = [] # 通过循环遍历图像数据并计算相应的值 for image_tensor in image_tensors: compared_image_tensor = # 与原始图像进行比较的图像 psnr_value = psnr(image_tensor, compared_image_tensor) ssim_value = ssim(image_tensor, compared_image_tensor) psnr_values.append(psnr_value.item()) ssim_values.append(ssim_value.item()) # 绘制折线图 plt.plot(psnr_values, label='PSNR') plt.plot(ssim_values, label='SSIM') plt.xlabel('Image Index') plt.ylabel('Value') plt.legend() plt.show() ``` 上述代码将根据所提供的图像数据计算出每个图像的PSNR和SSIM值，并将这些值绘制成折线图，以便更直观地了解图像质量的变化。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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