【图像超分】论文复现：Pytorch实现RCAN！与论文中参数和细节完全一致！提供完整代码和模型权重（x2、x3、x4、x8）！计算5大主流测试集上RCAN和RCAN+的PSNR和SSIM！

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、x8），可以直接用来超分自己的图像！！！

本文亮点：

• 详解以及实现RCAN的网络结构、训练流程（与论文完全一致）、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、x8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；
• 实现self-ensemble（RCAN+），WDSR和RNAN中也有使用。
• 科研级别绘图，可以绘制Epoch与Loss、PSNR、SSIM关系的曲线图。
• 量化评估实现，计算测试集Set5、Set14、BSD100、URBAN100、Manga109的平均PSNR和SSIM（RCAN和RCAN+）。
• 质量评估实现，可视化图像超分结果，与bicubic的对比。
• 训练过程控制台实时显示各种指标输出，验证集验证，便于观察训练过程是否有误，是否过拟合；