SRGAN

Srgan

تنفيذ Pytorch لـ SRGAN استنادًا إلى CVPR 2017 Paper Photo-RAMISTION SENELIST SENTORY-SENTORY باستخدام شبكة عدوانية عامة.

متطلبات

• أناكوندا
• Pytorch

 conda install pytorch torchvision -c pytorch

• OpenCV

 conda install opencv

مجموعات البيانات

Train 、 Val Dataset

يتم أخذ عينات من مجموعات بيانات القطار و VAL من VOC2012. تحتوي مجموعة بيانات القطار على 16700 صورة ومجموعة بيانات VAL لديها 425 صورة. قم بتنزيل مجموعات البيانات من هنا (رمز الوصول: 5TZP) ، ثم استخراجها في دليل data .

اختبار مجموعة بيانات الصور

يتم أخذ عينات من مجموعة بيانات صورة الاختبار من | تعيين 5 | Bevilacqua et al. BMVC 2012 | مجموعة 14 | Zeyde et al. LNCS 2010 | BSD 100 | مارتن وآخرون. ICCV 2001 | شمس هايس 80 | Sun and Hays ICCP 2012 | Urban 100 | هوانغ وآخرون. CVPR 2015. قم بتنزيل مجموعة بيانات الصور من هنا (رمز الوصول: XWHY) ، ثم استخراجها في دليل data .

اختبار مجموعة بيانات الفيديو

مجموعة بيانات الفيديو الاختبار هي ثلاثة مقطورات. قم بتنزيل مجموعة بيانات الفيديو من هنا (رمز الوصول: 956D).

الاستخدام

يدرب

 python train.py

optional arguments:
--crop_size                   training images crop size [default value is 88]
--upscale_factor              super resolution upscale factor [default value is 4](choices:[2, 4, 8])
--num_epochs                  train epoch number [default value is 100]

صور Val Super Desolution على دليل training_results .

اختبار القياس مجموعات البيانات

 python test_benchmark.py

optional arguments:
--upscale_factor              super resolution upscale factor [default value is 4]
--model_name                  generator model epoch name [default value is netG_epoch_4_100.pth]

صور الإخراج الفائقة الدقة موجودة في دليل benchmark_results .

اختبار صورة واحدة

 python test_image.py

optional arguments:
--upscale_factor              super resolution upscale factor [default value is 4]
--test_mode                   using GPU or CPU [default value is 'GPU'](choices:['GPU', 'CPU'])
--image_name                  test low resolution image name
--model_name                  generator model epoch name [default value is netG_epoch_4_100.pth]

صورة الإخراج الفائق الدقة على نفس الدليل.

اختبار فيديو واحد

 python test_video.py

optional arguments:
--upscale_factor              super resolution upscale factor [default value is 4]
--video_name                  test low resolution video name
--model_name                  generator model epoch name [default value is netG_epoch_4_100.pth]

مقطع الفيديو Super Desolution و Video المقارن على نفس الدليل.

المعايير

عامل راقي = 2

عصر بحجم الدُفعة 64 يستغرق حوالي 2 دقيقة 30 ثانية على وحدة معالجة الرسومات NVIDIA GTX 1080TI.

نتائج الصورة

اليسار هو صورة استيفاء ثنائية البكر ، والوسط صورة عالية الدقة ، واليمين هو صورة فائقة الدقة (إخراج srgan).

• BSD100_070 (PSNR: 32.4517 ؛ SSIM: 0.9191)

• set14_005 (PSNR: 26.9171 ؛ SSIM: 0.9119)

• set14_013 (PSNR: 30.8040 ؛ SSIM: 0.9651)

• Urban100_098 (PSNR: 24.3765 ؛ SSIM: 0.7855)

نتائج الفيديو

اليسار هو فيديو الاستيفاء الثنائي ، واليمين هو فيديو الدقة الفائقة (إخراج SRGAN).

عامل راقي = 4

عصر بحجم الدُفعة 64 يستغرق ~ 4 دقيقة 30 ثانية على وحدة معالجة الرسومات NVIDIA GTX 1080TI.

نتائج الصورة

اليسار هو صورة استيفاء ثنائية البكر ، والوسط صورة عالية الدقة ، واليمين هو صورة فائقة الدقة (إخراج srgan).

• BSD100_035 (PSNR: 32.3980 ؛ SSIM: 0.8512)

• set14_011 (PSNR: 29.5944 ؛ SSIM: 0.9044)

• set14_014 (PSNR: 25.1299 ؛ SSIM: 0.7406)

• Urban100_060 (PSNR: 20.7129 ؛ SSIM: 0.5263)

نتائج الفيديو

اليسار هو فيديو الاستيفاء الثنائي ، واليمين هو فيديو الدقة الفائقة (إخراج SRGAN).

عامل راقي = 8

عصر بحجم الدُفعة 64 يستغرق حوالي 3 دقائق 30 ثانية على وحدة معالجة الرسومات NVIDIA GTX 1080TI.

نتائج الصورة

اليسار هو صورة استيفاء ثنائية البكر ، والوسط صورة عالية الدقة ، واليمين هو صورة فائقة الدقة (إخراج srgan).

• Sunhays80_027 (PSNR: 29.4941 ؛ SSIM: 0.8082)

• Sunhays80_035 (PSNR: 32.1546 ؛ SSIM: 0.8449)

• Sunhays80_043 (PSNR: 30.9716 ؛ SSIM: 0.8789)

• Sunhays80_078 (PSNR: 31.9351 ؛ SSIM: 0.8381)

نتائج الفيديو

اليسار هو فيديو الاستيفاء الثنائي ، واليمين هو فيديو الدقة الفائقة (إخراج SRGAN).

يمكن تنزيل نتائج الاختبار الكاملة من هنا (رمز الوصول: NKH9).