EDSR复现

已于 2023-05-09 23:18:20 修改
阅读量601 收藏 4
点赞数
分类专栏： AI（机器学习&深度学习） 文章标签： 深度学习 pytorch 神经网络
于 2023-04-26 20:37:36 首次发布
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_45830251/article/details/130393693
版权

Link：code&paper

对于该链接Pytorch的EDSR复现，我并没有完全复现该结果，而且与Paper有明显差距，最终选择使用RCAN中的EDSR相关代码进行了复现（可以一起交流）

Code部分：

（一）训练步骤

1.官网下载并上传服务器或者使用git

git clone https://github.com/thstkdgus35/EDSR-PyTorch.git

2.下载预训练模型：

    我的资源或者网盘：

      链接：https://pan.baidu.com/s/1X1t6-CC5Sq0ynHQzMbmfUQ?pwd=rr6j
      提取码：rr6j

3.数据集的准备：

   数据集目录  训练集--HR：DIVK/DIV2K_train_HR/...

                                 LR：DIV2K/DIV2K_train_LR_bicubic/X4/...

4.根据自身的需求对模型进行训练

参考：

1.EDSR 使用手册

2.预训练模型获取链接

S_h_a_
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
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-PyTorch复现
走过路过不要错过
07-26 7510
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..
基于pytorch的EDSR代码复现
literacy_wang的博客
04-22 6596
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代码复现【linux服务器】
最新发布
weixin_44374783的博客
03-20 741
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）
SRResNet与EDSR
热门推荐
prinstinadl的博客
06-27 2万+
SRResNet SRResNet 网络来源于SRGAN，原论文（https://arxiv.org/abs/1609.04802）提到一种扩展方式，允许修复更高频的细节。SRResNet 的残差块架构基于这篇文章（http://torch.ch/blog/2016/02/04/resnets.html）。存在两个小的更改：一个是 SRResNet 使用 Parametric ReLU 而不是 R...
基于pytorch的EDSR/WDSR实现
Gavinmiaoc的博客
06-03 6344
对于原版官方EDSR，按照以下命令测试即可， #1. my test on EDSR x4 res: 12.68s ,saving 25s python3 main.py --data_test Demo --scale 4 --n_resblocks 32 --n_feats 256 --res_scale 0.1 --pre_train ../experiment/model/ED...
EDSR代码阅读
用户
09-04 4101
一、\src option.py:利用argparse包，对demo里面的脚本命令进行支持。 template.py:快速补充arg参数。
（EDSR论文实现）pytorch复现1
qq_40107571的博客
07-07 1912
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。......
EDSR图像超分辨程序复现（踩坑及解决记录）
Sunny_Coder的博客
09-15 2590
EDSR图像超分辨程序复现（踩坑及解决记录）
EDSR-pytorch复现anaconda环境配置
weixin_37897927的博客
03-13 1740
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
2017EDSR
qq_45033722的博客
03-17 3897
概要 该文开发了一种增强的深度超分辨率网络(EDSR)，其性能超过了目前最先进的SR方法。其的模型的显著性能改进是通过去除传统残差网络中不必要的模块（Batch Normalization）进行优化。在稳定训练（Residual Scaling）过程的同时，通过扩大模型尺寸进一步提高了性能。该文还提出了一种新的多尺度深度超分辨率系统(MDSR)和训练方法，该方法可以在单一模型中重建不同放大因子的高分辨率图像。 1. 背景 最近，深度神经网络在SR问题中在峰值信号调比(PSNR)方面提供了显著的性能。然而，这
EDSR(torch)-Enhanced Deep Residual Networks for Single Image Super-Resolution代码
12-25
EDSR-Enhanced Deep Residual Networks for Single Image Super-Resolution论文代码，NTIRE2017冠军，Torch写的，欢迎各位下载
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 预训练模型，方便初学者复现EDSR模型
04-26
EDSR 预训练模型
EDSR-PyTorch
02-12
EDSR-PyTorch 关于PyTorch 1.1.0 1.1.0更新进行了较小的更改。 现在，我们默认情况下支持PyTorch 1.1.0，如果您喜欢旧版本，请使用旧版分支。 此存储库是CVPRW 2017，第二版NTIRE的PyTorch官方实现，该论文为...
win32超分辩重建EDSR实用程序
04-04
超分辨率重建EDSR(4倍)的win32程序，使用edsr中的基础模型edsr_baseline_x4-6b446fab.pt
EDSR模型介绍.docx
02-12
EDSR模型的总结介绍, 韩国首尔大学的研究团队提出用于图像超分辨率任务的新方法，分别是增强深度超分辨率网络 EDSR 和一种新的多尺度深度超分辨率 MDSR，在减小模型大小的同时实现了比当前其他方法更好的性能，分别...
超分辨代码总结(更新中)
Doreenqiuyue的博客
04-19 1000
算法原理&代码实现 从图像超分辨率快速入门pytorch pytorch：EDSR 生成训练数据的方法 SRCNN-pytoch代码 EDSR代码阅读 BasciSR复现过程
edsr代码pytorch复现
10-11
EDSR是一种用于图像超分辨率的深度神经网络模型，可以通过增加图像的分辨率来提高图像的质量。以下是使用PyTorch实现EDSR的代码： ```python import torch import torch.nn as nn class ResBlock(nn.Module): def __init__(self, channels): super(ResBlock, self).__init__() self.conv1 = nn.Conv2d(channels, channels, kernel_size=3, stride=1, padding=1, bias=True) self.relu = nn.ReLU(inplace=True) self.conv2 = nn.Conv2d(channels, channels, kernel_size=3, stride=1, padding=1, bias=True) def forward(self, x): residual = x out = self.conv1(x) out = self.relu(out) out = self.conv2(out) out += residual return out class EDSR(nn.Module): def __init__(self, scale_factor, num_resblocks=32, num_filters=256): super(EDSR, self).__init__() self.scale_factor = scale_factor self.sub_mean = MeanShift(1) self.add_mean = MeanShift(1, sign=1) self.head = nn.Conv2d(3, num_filters, kernel_size=3, stride=1, padding=1, bias=True) self.body = nn.Sequential(*[ResBlock(num_filters) for _ in range(num_resblocks)]) self.tail = nn.Conv2d(num_filters, 3 * scale_factor ** 2, kernel_size=3, stride=1, padding=1, bias=True) self.pixel_shuffle = nn.PixelShuffle(scale_factor) def forward(self, x): x = self.sub_mean(x) x = self.head(x) residual = x x = self.body(x) x += residual x = self.tail(x) x = self.pixel_shuffle(x) x = self.add_mean(x) return x ``` 其中，ResBlock是EDSR中的残差块，EDSR是整个模型。在EDSR中，我们使用了MeanShift来对图像进行预处理和后处理，使用了PixelShuffle来进行上采样。在训练过程中，我们可以使用MSE损失函数来计算预测图像与真实图像之间的差异。

“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 1
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

S_h_a_

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