SRFBN的Pytorch实现

源码：GitHub - Paper99/SRFBN_CVPR19: Pytorch code for our paper "Feedback Network for Image Super-Resolution" (CVPR2019)

1 用现有模型测试

1.1 快速测试

1.1.1 下载项目

git clone https://github.com/Paper99/SRFBN_CVPR19.git

1.1.2 下载预训练模型，解压缩模型并将它们放到 ./models 中。

SRFBN-百度云盘

SRFBN-S-百度云盘

1.1.3 在 SRFBN_CVPR19-master 目录下，运行以下命令之一，在Set5上进行评估。

# SRFBN
python test.py -opt options/test/test_SRFBN_x2_BI.json
python test.py -opt options/test/test_SRFBN_x3_BI.json
python test.py -opt options/test/test_SRFBN_x4_BI.json
python test.py -opt options/test/test_SRFBN_x3_BD.json
python test.py -opt options/test/test_SRFBN_x3_DN.json
 
# SRFBN-S
python test.py -opt options/test/test_SRFBN-S_x2_BI.json
python test.py -opt options/test/test_SRFBN-S_x3_BI.json
python test.py -opt options/test/test_SRFBN-S_x4_BI.json

例如：运行 python test.py -opt options/test/test_SRFBN_x2_BI.json （红框中参数可对应修改）。结果保存在 ./results/SR/BI/SRFBN/Set5/x2 中。Set5 的 PSNR/SSIM 值显示在屏幕上。

运行结果如图所示：

1.2 测试标准的 SRbenchmark 和自己的图像

1.2.1 完成 1.1.1 和 1.1.2 ，下载 SRbenchmark 数据集。

SR benchmark (Set5, Set14, B100, Urban100 and Manga109) BaiduYun(code:z6nz)

1.2.2 在 SRFBN_CVPR19-master 目录下，解压 SRbenchmark，生成 SRbenchmark 测试数据集。

使用 matlab 打开 ./results/Prepare_TestData_HR_LR.m，生成适用不同退化模型的 HR/LR 图像，保存在 ./results 相应位置中。

1.2.3 参考./options/test/README.md ，根据需要修改 ./options/test/test_SRFBN_example.json。

将自己的图像放入 ./results/LR/MyImage 中，与 Set14数据集一同使用现有的预训练模型进行测试，结果如下：

1.2.4 在 SRFBN_CVPR19-master 目录下，运行以下命令。

python test.py -opt options/test/test_SRFBN_example.json

图像数据集的 PSNR/SSIM 值会在屏幕上显示，重建图像在 ./results/SR 中。

 2 训练模型测试自己的数据集

2.1 生成训练、验证数据集训练模型

2.1.1 在 ./datasets 中新建 Ship_train_HR 文件夹存放待训练的 HR 图像。

------------期末了TAT考完再更新