ESRGAN训练数据

最新推荐文章于 2024-05-10 11:44:47 发布
最新推荐文章于 2024-05-10 11:44:47 发布
阅读量6.7k 收藏 95
点赞数 14
分类专栏： 深度学习 文章标签： 深度学习
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_41672428/article/details/112633040
版权

一、ESRGAN测试：

1、代码下载：xinntao / ESRGAN

2、安装环境（这里略）

3、下载models：Google Drive or Baidu Drive. 然后把它们放在./models文件夹下面。

4、 然后运行test.py，就会将LR文件夹的低分辨率图像生成X4（可更改model）的高分辨率图像存在results文件夹内

二、ESRGAN训练

1、代码下载xinntao / BasicSR

2、下载预训练模型

最低0.47元/天 解锁文章
SeanQikYibo
关注
  • 14
    点赞
  • 踩
  • 95
    收藏
    觉得还不错? 一键收藏
  • 24
    评论
专栏目录
ESRGAN需要用到的预训练模型
10-17
ESRGAN需要用到的预训练模型，下载后把里面的pth文件放到路径/experiments/pretrained_models路径下，里面包含两个预训练模型RRDB_ESRGAN_x4.pth和RRDB_PSNR_x4.pth
机器学习模型 ESRGAN模型
06-04
ESRGAN 在训练过程中使用了大量的图像对，其中包括低分辨率图像和对应的高分辨率图像。通过反复迭代训练生成器和判别器，ESRGAN 学习到了如何生成更加逼真和清晰的高分辨率图像。 ESRGAN 的优点在于它能够提供比...
用超分辨率扛把子算法 ESRGAN，训练图像增强模型
HyperAI超神经
05-10 5048
内容一览：通过硬件或软件方法，提高原有图像的分辨率，让模糊图像秒变清晰，就是超分辨率。随着深度学习技术的发展，图像超分辨率技术在游戏、电影、医疗影像等领域的应用，也愈发广泛。 原创：HyperAI超神经 关键词：超分辨率 机器视觉 深度学习 将图像或影片从低分辨率转化为高分辨率，恢复或补足丢失的细节（即高频信息），往往需要用到超分辨率技术。 根据所用低分辨率图像的数量，超分辨率技术可分为单幅图像的超分辨率 (SISR) 和多幅图像的超分辨率 (MISR)。 网友用 AI 技术给视频上色、插帧.
真实数据超分三大方法（BSRGAN、Real ESRGAN、SwinIR）训练细节整理
BigerBang的博客
11-28 1551
本文整理单帧真实数据超分目前最有效的三个方法BSRGAN、Real ESRGAN、SwinIR的训练细节，方便训练时查找。SwinIR这里只记录了其在Real world SR上的相关配置。
深度学习课程论文精读——ESRGAN
最新发布
wubeizi的博客
05-10 784
本文主要记录对ESRGAN文章的精读细节。
Real-ESRGAN----完全用合成数据训练的real-world SR
02-20 4038
论文名称：Real-ESRGAN-Training Real-World Blind Super-Resolution with Pure Synthetic Data 21年的一篇很好的论文，解决真实场景的SR问题，但是训练只使用了合成数据，没有用真实场景数据，测试是真实场景数据，在构造数据时，使用了高阶退化， 而不是只用了一阶退化，且考虑了ring和overshoot问题，D网络使用U-net型，且用了spectral normalization。当然...
论文笔记——Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data
TracelessLe的专栏
01-28 5778
基本信息 标题：Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data 简称：Real-ESRGAN 时间：17 Aug 2021, International Conference on Computer Vision Workshops (ICCVW) 2021 作者：Xintao Wang, Liangbin Xie, Chao Dong, Ying Shan；Applied Research
ESRGAN
用户
04-22 540
Enhanced Super-Resolution Generative Adversarial Networkshttps://arxiv.org/pdf/1809.00219.pdf code:https://github.com/xinntao/ESRGANECCV2018 在SRGAN的升级之处： 1、Residual-in-Residual Dense Block (RDDB) residual scaling 和 smaller initiali...
用超分辨率扛把子算法 ESRGAN，训练tf2图像增强模型
爱CV
05-13 821
将图像或影片从低分辨率转化为高分辨率，恢复或补足丢失的细节（即高频信息），往往需要用到超分辨率技术。 根据所用低分辨率图像的数量，超分辨率技术可分为单幅图像的超分辨率 (SISR) 和多幅图像的超分辨率 (MISR)。 网友用 AI 技术给视频上色、插帧 恢复了 1920 年北京市民生活记录影像 SISR 利用一张低分辨率图像，达到图像尺寸增大或像素的增加的效果，从而获得一张高分辨率图像。MISR 则是借助同一场景中的多张低分辨率图像，获取不同细节信息，合成一张或多张高分辨率图像。MISR.
真实ESRGAN权重数据集.zip
02-10
计算机视觉数据集，想预览内容可私信作者
EESRGAN:具有端到端边缘增强GAN和目标检测器网络的遥感（卫星）图像中的小目标检测
05-04
埃斯甘 模型架构 增强和检测 低分辨率影像与侦测 超级解决影像与侦测 高分辨率地面真理图像和边界框 依赖关系和安装 Python 3（建议使用Anaconda） PyTorch> = 1.0 NVIDIA GPU + CUDA Python软件包： pip install -r path/to/requirement.txt 训练 python train.py -c config_GAN.json 测验 python test.py -c config_GAN.json 数据集 从此处下载数据集。 这是创建自定义图像补丁的GitHub存储库。 从此处下载预制数据集， 此脚本可与预制数据集一起使用，以创建高/低分辨率和双三次图像。 确保将注释文件（.txt）复制到HR，LR和Bic文件夹中。 编辑JSON文件 需要根据用户目录更改以下JSON文件的目录。 有关详细信息，
BasicSR：用于超分辨率，去噪，去模糊等的开源图像和视频恢复工具箱。当前，它包括EDSR，RCAN，SRResNet，SRGAN，ESRGAN，EDVR等。还支持StyleGAN2，DFDNet
02-20
:rocket: 基本SR | | Google Colab： | :circled_M: :fast_down_button: Google云端硬盘： | :fast_down_button:百度网盘：| :file_folder: :fast_down_button: :fast_down_button:（提取码：basr） :chart_increasing: :laptop: :high_voltage: BasicSR（基本S- UPERřestoration）是基于PyTorch一个开源图像和视频恢复工具箱，如超分辨率，降噪，去模糊，JPEG伪像的去除，等等。 （ ， ， ， ） （ ， ， ， ） :sparkles: 新的功能 2020年11月29日。添加ESRGAN和DFDNet 。 2020年9月8日。添加盲人脸恢复推理代码： 。 2020年8月27日。添加StyleGAN2培训和测试代码： 。 更多的 2020年9月8日。添加盲人脸恢复推理代码： DFDNet 。 ECCV20：通过深度多尺度组件字典进行盲人脸恢
RRDB_ESRGAN_x4.pth
03-13
ESRGAN models with high perceptual quality.
win32超分辩重建ESRGAN实用程序
03-21
超分辨率重建ESRGAN(4倍)的win32程序，ESRGAN是在[PIRM2018-SR竞赛]（区域3）中获得了第一名并获得了最佳感知指数。
超分辨率重建测试（ESRGAN）
热门推荐
qq_20373723的博客
10-20 1万+
测试链接：GitHub - xinntao/BasicSR: Open Source Image and Video Restoration Toolbox for Super-resolution, Denoise, Deblurring, etc. Currently, it includes EDSR, RCAN, SRResNet, SRGAN, ESRGAN, EDVR, BasicVSR, SwinIR, ECBSR, etc. Also support StyleGAN2, DFDNet.
Real-ESRGAN
Linaaa~的博客
01-01 1000
Real-ESRGAN图像重建
用BasicSR库实现ESRGAN--下采样2倍图像重建
weixin_43908152的博客
03-31 346
用BasicSR库的代码，实现ESRGAN的下采样2倍图像的重建的配置文件修改。
real esrgan训练自己的数据集
01-16
Real ESRGAN是一种用于图像超分辨率增强的方法，它可以通过训练自己的数据集来实现个性化的图像增强效果。下面是训练Real ESRGAN的步骤： 1. 准备数据集：首先，您需要准备一个包含低分辨率图像和对应高分辨率图像的数据集。这些图像对应的分辨率应该是相同的，并且应该有足够的多样性和代表性。 2. 数据预处理：在训练之前，您需要对数据进行预处理。这包括将图像调整为相同的大小，并将它们转换为模型可以处理的格式，例如JPEG或PNG。 3. 构建模型：接下来，您需要构建Real ESRGAN模型。这可以通过使用深度学习框架（如TensorFlow或PyTorch）来实现。您可以使用预训练的ESRGAN模型作为起点，并根据您的数据集进行微调，或者从头开始构建一个新的模型。 4. 定义损失函数：在训练过程中，您需要定义一个损失函数来衡量生成图像与真实高分辨率图像之间的差异。常用的损失函数包括均方误差（MSE）和感知损失（Perceptual Loss）。 5. 训练模型：使用准备好的数据集和定义好的损失函数，您可以开始训练Real ESRGAN模型。训练过程可能需要一段时间，具体时间取决于数据集的大小和计算资源的可用性。 6. 评估和调优：在训练完成后，您可以使用一些评估指标（如PSNR和SSIM）来评估模型的性能。如果需要进一步改进模型的效果，您可以尝试调整超参数或增加训练数据。 7. 应用模型：一旦您的Real ESRGAN模型训练完成并且性能满足您的要求，您可以将其应用于新的图像数据，以实现高质量的图像超分辨率增强效果。 下面是一个示例代码，展示了如何使用Real ESRGAN训练自己的数据集： ```python # 导入所需的库 import tensorflow as tf from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Conv2D, LeakyReLU, Add from tensorflow.keras.optimizers import Adam # 构建Real ESRGAN模型 def build_real_esrgan_model(): # 定义模型的输入 input_image = Input(shape=(None, None, 3)) # 添加ESRGAN模型的各个层 # ... # 定义模型的输出 output_image = # ... # 构建模型 model = Model(inputs=input_image, outputs=output_image) return model # 定义损失函数 def perceptual_loss(y_true, y_pred): # ... pass # 准备数据集 # ... # 构建并编译Real ESRGAN模型 model = build_real_esrgan_model() model.compile(optimizer=Adam(), loss=perceptual_loss) # 训练模型 model.fit(dataset, epochs=10, batch_size=16) # 评估模型 # ... # 应用模型 # ... ```

“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 24
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
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