超分辨率重建——Omni-SR网络推理测试（详细图文教程）

💪 专业从事且热爱图像处理，图像处理专栏更新如下👇：
📝《图像去噪》
📝《超分辨率重建》
📝《语义分割》
📝《风格迁移》
📝《目标检测》
📝《图像增强》
📝《模型优化》
📝《模型实战部署》
📝《图像配准融合》
📝《数据集》
📝《高效助手》

---

一、源码包准备

官网源码包下载的链接为：Omni-SR

我提供的源码包获取方法为文章末扫码到公众号中回复关键字：超分辨率重建Omni。获取下载链接。

论文地址：https://arxiv.org/pdf/2304.10244.pdf

下载我提供的源码包，解压后的样子如下：

官网提供的模型权重已经下载打包在源码包中，位于train_logs文件夹中，如下：

测试集位于文件夹中benchmark文件夹下：

二、测试环境

下面是我自己测试的环境，仅供参考：

三、推理测试

3.1 参数修改

参数的修改在test.py脚本中，如下：

还有一些参数在data_tools/test_dataloader_rcan.py脚本中，如下：

模型推理图片的具体代码在test_scripts/tester_Matlab.py脚本中，如下：

假设输入图片大小为400300，超分2倍，此模型会将输入图像先拆分为6464小块图像超分到128128（2倍），最后将超分后的小块图像合并为800600大小图像。

3.2 配置文件修改

下面是配置文件需要添加的参数

3.3 测试集准备

自己制作的测试集要分别存放在HR 和 LR 文件夹下，关于HR中的图像可以用我源码包中的Image_Resize.py脚本生成上采样图像。

关于Image_Resize.py脚本的使用方法，修改低分辨率图片文件夹路径和导出路径，还有上采样倍数，如下：

3.4 测试

上面都准备好后直接运行test.py脚本，就开始测试了。

3.5 保存结果

最终的测试结果会保存到根目录下的SR文件夹中，对应名字去找。

3.6 推理速度

本次测试，仅在GPU上测试。

GPU测试环境：Nvidia GeForce RTX 3050，测试图片6464，超分2倍，推理时间：19ms/fps； 测试图像400300，超分2倍，推理时间为：1551.5ms/fps。

3.7 超分效果

这里提供超分2倍的效果，如果要超分4倍，只需要在配置文件中修改对应超分模型即可。

四、总结

以上就是超分辨率重建Omni-SR网络的推理测试过程，关于推理部分，可以自己修改代码，导入模型后推理，再经过后处理直接保存推理结果，不进行PSNR和SSIM分析。

感谢您阅读到最后！😊总结不易，多多支持呀🌹 点赞👍收藏⭐评论✍️，您的三连是我持续更新的动力💖

关注公众号「视觉研坊」，获取干货教程、实战案例、技术解答、行业资讯！