SRGAN
1.0.0
Una implementación de Pytorch de SRGAN basada en SUPERAURACIÓN DE IMAGEN POTO REALISTA DE PAPET CVPR 2017 utilizando una red adversaria generativa.
conda install pytorch torchvision -c pytorch
conda install opencv
El tren y los conjuntos de datos VAL se muestrean desde VOC2012. El conjunto de datos de trenes tiene 16700 imágenes y Val DataSet tiene 425 imágenes. Descargue los conjuntos de datos desde aquí (Código de acceso: 5TZP) y luego extraiga al directorio data .
El conjunto de datos de la imagen de prueba se muestrean desde | 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 y Hays ICCP 2012 | Urban 100 | Huang et al. CVPR 2015. Descargue el conjunto de datos de imágenes desde aquí (código de acceso: xwhy), y luego extraiga al directorio data .
El conjunto de datos de video de prueba son tres trailers. Descargue el conjunto de datos de video desde aquí (código de acceso: 956d).
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]
Las imágenes de super resolución de valores de salida están en el directorio 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]
Las imágenes de super resolución de salida están en el directorio 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]
La imagen de super resolución de salida está en el mismo directorio.
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]
El video de super resolución de salida y el video comparado están en el mismo directorio.
Factor exclusivo = 2
Las épocas con tamaño por lotes de 64 toman ~ 2 minutos 30 segundos en una GPU NVIDIA GTX 1080TI.
Resultados de la imagen
La izquierda es una imagen de interpolación bicúbica, el medio es una imagen de alta resolución y la derecha es una imagen de súper resolución (salida del SRGAN).
Resultados de video
La izquierda es video de interpolación bicúbica, la derecha es un video de super resolución (salida del SRGAN).
Factor exclusivo = 4
Las épocas con tamaño por lotes de 64 toman ~ 4 minutos 30 segundos en una GPU NVIDIA GTX 1080TI.
Resultados de la imagen
La izquierda es una imagen de interpolación bicúbica, el medio es una imagen de alta resolución y la derecha es una imagen de súper resolución (salida del SRGAN).
Resultados de video
La izquierda es video de interpolación bicúbica, la derecha es un video de super resolución (salida del SRGAN).
Factor exclusivo = 8
Las épocas con tamaño por lotes de 64 toman ~ 3 minutos 30 segundos en una GPU NVIDIA GTX 1080TI.
Resultados de la imagen
La izquierda es una imagen de interpolación bicúbica, el medio es una imagen de alta resolución y la derecha es una imagen de súper resolución (salida del SRGAN).
Resultados de video
La izquierda es video de interpolación bicúbica, la derecha es un video de super resolución (salida del SRGAN).
Los resultados completos de la prueba se pueden descargar desde aquí (Código de acceso: NKH9).
