![75025991169bb0b2ebbcbc4d508659fb.png](https://i-blog.csdnimg.cn/blog_migrate/7f02e2a8616cf7894d76c2732afefbb0.jpeg)
SRGAN-超分辨率图像复原
标签(空格分隔): 陈扬
[TOC]
github:
https://github.com/OUCMachineLearning/OUCML/blob/master/GAN/srgan_celebA/srgan.py
arxiv:https://arxiv.org/abs/1609.04802
公众号:机器学习算法工程师
带你手把手来个有趣的SRGAN-超分辨率复原(有代码哦)
结合我的研究方向:GAN 大家好,我是中国海洋大学的陈扬。在遥远的九月份,我开始做了keras的系列教程,现在我主要的研究方向转到了生成对抗网络,生成对抗网络的代码实现和训练机制比分类模型都要复杂和难入门.之前一段时间时间一直在帮璇姐跑cvpr的实验代码,做了蛮多的对比实验,其中我就发现了,keras的代码实现和可阅读性很好,搭生成对抗网络网络GAN就好像搭乐高积木一样有趣哦。不只是demo哦,我还会在接下来的一系列 keras教程中教你搭建Alexnet,Vggnet,Resnet,DCGAN,ACGAN,CGAN,SRGAN,等等实际的模型并且教你如何在GPU服务器上运行。
前言:GAN
上个星期发了一篇有关GAN入门的文章,同学们都觉得挺有趣的,上一次我写了如何理解最基础的GAN的原理,今天我给大家带来的是如何运用强大的GAN做一些好玩的应用.
超分辨率复原一直是计算机视觉领域一个十分热门的研究方向,在商业上也有着很大的用武之地,随着2014年goodflew那篇惊世骇俗的GAN发表出来,GAN伴随着CNN一起,可谓是乘风破浪,衍生出来琳琅满目的各种应用.
![5f97a3d42355cd9e4f7d7ffe12e8dec9.png](https://i-blog.csdnimg.cn/blog_migrate/293feef1ef98e61e0142ce08a4c1d014.jpeg)
简单的来说,就给定一个低分辨率图片作为噪声z的输入,通过生成器的变换把噪声的概率分布空间尽可能的去拟合真实数据的分布空间.