ESPCN_Learning: 超分辨重建的经典论文《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network》，首次提出了用亚像素卷积层对图片进行上采样操作，相比与SRCNN的整体对图片进行上采样操作后再进行超分辨重建，通过使用亚像素卷积极大的缩小了运算量，重建时间以及提高了重建质量。

12月28日，「开源中国源创会年终盛典」珠海站再次回归！点击免费报名参会

forked from vegee/ESPCN_Learning

加入 Gitee

与超过 1200万开发者一起发现、参与优秀开源项目，私有仓库也完全免费：）

该仓库未声明开源许可证文件（LICENSE），使用请关注具体项目描述及其代码上游依赖。

克隆/下载

添加对优化器学习速率调整的算法，保存了最后的训练模型 35a29a3

(ESPCN)Real-Time Single Image and Vid...

SRF_3_train_results.csv

Loading...

README

# ESPCN_Learning
***
## 介绍
   **超分辨重建的经典论文** *《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network》* **，首次提出了用亚像素卷积层对图片进行上采样操作，相比与SRCNN的整体对图片进行上采样操作后再进行超分辨重建，通过使用亚像素卷积极大的缩小了运算量，重建时间以及提高了重建质量。**
***
## 项目环境
### 1、本地Anaconda4.9.2，pytorch1.4，python3.7.7
### 2、项目工程用Pycharm创建
### 3、本项目所用数据集为VOC2012，由于数据集较大，未放入仓库中。  
       数据集获取地址: https://pan.baidu.com/s/1xDoBr28KIFaEEU_uIcgfSQ     提取密码：oyql
***
## 操作说明
### 1、下载好VOC2012数据集后添加至工程的data文件夹中；
### 2、在Pycharm中运行 data_utils.py ，这一步是为了创建训练所需的数据集；
### 3、运行 train.py 即可开始训练，训练的epoch可根据需要调整，文件夹epochs用来保存最棒的训练结果；
### 4、test_image.py 用于测试训练好的网络。
***
## 结果展示
**在3倍放大因子的条件下进行的重建，所用训练结果为/epochs/ESPCN_best(5).pt**
### butterfly.png
![avatar](/results/SRF_3/compare_butterfly.png)  
**PSNR: 25.016115 (db), SSIM: 0.855480**
### comic.png
![avatar](/results/SRF_3/compare_comic.png)  
**PSNR: 23.070899 (db), SSIM: 0.758211**

超分辨重建的经典论文《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network》，首次提出了用亚像素卷积层对图片进行上采样操作，相比与SRCNN的整体对图片进行上采样操作后再进行超分辨重建，通过使用亚像素卷积极大的缩小了运算量，重建时间以及提高了重建质量。

Python

取消

暂无发行版

马建仓 AI 助手

尝试更多

代码解读

代码找茬

代码优化

Python

1

https://gitee.com/stawary/ESPCN_Learning.git

git@gitee.com:stawary/ESPCN_Learning.git

stawary

ESPCN_Learning

ESPCN_Learning

master