SRGAN
1.0.0
Eine Pytorch-Implementierung von SRGAN basierend auf CVPR 2017 Paper Photo-Realistic Single Image Super-Auflösung unter Verwendung eines generativen kontroversen Netzwerks.
conda install pytorch torchvision -c pytorch
conda install opencv
Die Zug- und Val -Datensätze werden vom VOC2012 abgetastet. Der Zugdatensatz hat 16700 Bilder und Val Dataset 425 Bilder. Laden Sie die Datensätze hier herunter (Zugriffscode: 5 TZP) und extrahieren Sie sie dann in data .
Der Testbilddatensatz stammt aus | Set 5 | Bevilacqua et al. BMVC 2012 | SET 14 | Zeyde et al. LNCS 2010 | BSD 100 | Martin et al. ICCV 2001 | Sun-Hays 80 | Sun and Hays ICCP 2012 | Urban 100 | Huang et al. CVPR 2015. Laden Sie den Bilddatensatz von hier herunter (Zugriffscode: XWHY) und extrahieren Sie es dann in data .
Der Test -Video -Datensatz sind drei Anhänger. Laden Sie hier den Video -Datensatz (Zugriffscode: 956D) herunter.
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]
Die Ausgabes -Val Super -Auflösungsbilder finden Sie im Verzeichnis training_results .
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]
Die Ausgabe -Superauflösungsbilder befinden sich im Verzeichnis benchmark_results .
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]
Das Bild der Ausgabe Super -Auflösung befindet sich im selben Verzeichnis.
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]
Das Video -Video -Video und das verglichene Video befinden sich im selben Verzeichnis.
Gehobener Faktor = 2
Die Epochen mit einer Chargengröße von 64 dauern 30 Sekunden ~ 2 Minuten für eine NVIDIA GTX 1080TI -GPU.
Bildergebnisse
Die linke ist ein bicubisches Interpolationsbild, das mittlere Bild ist hochauflösendes Bild und das rechte Bild ist das Superauflösungsbild (Ausgabe des SRGAN).
Videoergebnisse
Die linke ist ein bicubic Interpolation -Video, das rechte ist Superauflösungsvideo (Ausgabe des SRGAN).
Gehobener Faktor = 4
Die Epochen mit einer Chargengröße von 64 dauern 30 Sekunden ~ 4 Minuten für eine Nvidia GTX 1080TI -GPU.
Bildergebnisse
Die linke ist ein bicubisches Interpolationsbild, das mittlere Bild ist hochauflösendes Bild und das rechte Bild ist das Superauflösungsbild (Ausgabe des SRGAN).
Videoergebnisse
Die linke ist ein bicubic Interpolation -Video, das rechte ist Superauflösungsvideo (Ausgabe des SRGAN).
Gehobener Faktor = 8
Die Epochen mit einer Chargengröße von 64 dauern 30 Sekunden ~ 3 Minuten für eine NVIDIA GTX 1080TI -GPU.
Bildergebnisse
Die linke ist ein bicubisches Interpolationsbild, das mittlere Bild ist hochauflösendes Bild und das rechte Bild ist das Superauflösungsbild (Ausgabe des SRGAN).
Videoergebnisse
Die linke ist ein bicubic Interpolation -Video, das rechte ist Superauflösungsvideo (Ausgabe des SRGAN).
Die vollständigen Testergebnisse können von hier heruntergeladen werden (Zugriffscode: NKH9).
