VideoSuperResolution

Video Super Resolución

Una colección de videos de última generación o arquitecturas de súper resolución de una sola imagen, reimplentadas en TensorFlow.

Proyecto subido a Pypi ahora. Intente instalar desde PYPI:

pip install VSR

Los pesos previos al detenido se están cargando ahora.

También se incluyen varias implementaciones de Pytorch referenciadas ahora.

Enlace rápido:

• Instalación
• Empezando
• Punto de referencia

Lista de redes y referencia (actualización)

El hipervínculo dirige al sitio en papel, sigue los códigos oficiales si los autores abren fuentes.

Todos estos modelos se implementan en un marco.

Modelo	Publicado	Código*	VSR (TF) **	VSR (antorcha)	Palabras clave	Previamente
Srcnn	ECCV14	-, keras	Y	Y	Kaiming	√
Raisr	arxiv	-	-	-	Google, Pixel 3
ESPCN	CVPR16	-, keras	Y	Y	Tiempo real	√
VDSR	CVPR16	-	Y	Y	Profundo, residual	√
Guarnición	CVPR16	-	Y	Y	Recurrente
Drrn	CVPR17	Caffe, Pytorch	Y	Y	Recurrente
Lapsrn	CVPR17	Matlab	Y	-	Pérdida de huber
Edsr	CVPR17	-	Y	Y	Campeón de NTIRE17	√
Srgan	CVPR17	-	Y	-	1er GaN propuesto
Vespcn	CVPR17	-	Y	Y	Videosr	√
Memnet	ICCV17	Cafetería	Y	-
Srdensenet	ICCV17	-, Pytorch	Y	-	Denso	√
SPMC	ICCV17	Flujo tensor	T	Y	Videosr
Dncnn	Tip17	Matlab	Y	Y	Desanimado	√
DCSCN	arxiv	Flujo tensor	Y	-
IDN	CVPR18	Cafetería	Y	-	Rápido	√
RDN	CVPR18	Antorcha	Y	-	Profundo, bi-bd-dn
Srmd	CVPR18	Matlab	-	Y	Denoise/deblur/sr	√
Dbpn	CVPR18	Pytorch	Y	Y	Campeón de Ntire18	√
ZSSR	CVPR18	Flujo tensor	-	-	Cero
Frvsr	CVPR18	Pdf	T	Y	Videosr	√
Duf	CVPR18	Flujo tensor	T	-	Videosr
Carnal	ECCV18	Pytorch	Y	Y	Rápido	√
RCAN	ECCV18	Pytorch	Y	Y	Profundo, bi-bd-dn
MSRN	ECCV18	Pytorch	Y	Y		√
Srfeat	ECCV18	Flujo tensor	Y	Y	Ganancia
Nlrn	NIPS18	Flujo tensor	T	-	No local, recurrente
Srcliquenet	NIPS18	-	-	-	Wavelet
Ffdnet	Tip18	Matlab	Y	Y	Denoise condicional
CBDNET	CVPR19	Matlab	T	-	Parada
SOFVSR	ACCV18	Pytorch	-	Y	Videosr	√
Esrgan	ECCVW18	Pytorch	-	Y	1er lugar Pirm 2018	√
Tecogán	arxiv	Flujo tensor	-	T	Videosr gan	√
RBPN	CVPR19	Pytorch	-	Y	Videosr	√
DPSR	CVPR19	Pytorch	-	-
Srfbn	CVPR19	Pytorch	-	-
Srntt	CVPR19	Flujo tensor	-	-	Adobe
San	CVPR19	vacío	-	-	Alidamo Sota
ADAFM	CVPR19	Pytorch	-	-	Oral sensible

*El primer repositorio es de Paper Autor.

** y : incluido; - : no incluido; T : subestimación.

Puede descargar pesos previamente capacitados a través de prepare_data , o visitar el hipervínculo en √ .

Enlace de conjuntos de datos

(Por favor, contácteme si alguno de los enlaces le ofende a usted oa alguien deshabilitado)

Nombre	Uso	#	Sitio	Comentario
Set5	Prueba	5	descargar	jbhuang0604
Set14	Prueba	14	descargar	jbhuang0604
Sunhay80	Prueba	80	descargar	jbhuang0604
Urbano100	Prueba	100	descargar	jbhuang0604
Vid4	Prueba	4	descargar	4 videos
BSD100	Tren	300	descargar	jbhuang0604
BSD300	Tren/val	300	descargar	-
BSD500	Tren/val	500	descargar	-
91 imagen	Tren	91	descargar	Yang
Div2k	Tren/val	900	sitio web	Ntire17
Waterloo	Tren	4741	sitio web	-
MCL-V	Tren	12	sitio web	12 videos
Gopro	Tren/val	33	sitio web	33 videos, deblur
Ceneba	Tren	202599	sitio web	Caras humanas
Monótono	Tren/val	35	sitio web	Flujo óptico
Silla de volante	Tren	22872	sitio web	Flujo óptico
Dnd	Prueba	50	sitio web	Fotos reales ruidosas
Renoir	Tren	120	sitio web	Fotos reales ruidosas
CAROLINA DEL NORTE	Prueba	60	sitio web	Fotos ruidosas
Sidd (M)	Tren/val	200	sitio web	Ntire 2019 Real Denoise
RSR	Tren/val	80	descargar	Ntire 2019 Real Sr
Vimeo-90k	Tren/prueba	89800	sitio web	90k Videos de HQ

Otros conjuntos de datos abiertos: Kaggle Imagenet Coco

Paquete VSR

Este paquete ofrece un marco de capacitación y procesamiento de datos basado en TF. Lo que hice es un marco simple y fácil de usar sin muchas encapulaciones y abstracciones. Además, VSR puede manejar NV12/YUV sin procesar, así como una secuencia de imágenes como entradas.

Instalar

1. Prepare TensorFlow y Pytorch adecuados (opcional). Por ejemplo, GPU y CUDA10.0 (recomiendan usar conda ):

   conda install tensorflow-gpu==1.15.0
   # optional
   # conda install pytorch

2. Instalar el paquete VSR

    # For someone see this doc online
   # git clone https://github.com/loseall/VideoSuperResolution && cd VideoSuperResolution
   pip install -e .

Empezando

1. Descargue pesos previamente capacitados y conjuntos de datos de capacitación (optinales). Por ejemplo, comencemos con los datos de prueba VESPCN y VID4:

   python prepare_data.py --filter vespcn vid4

2. Personalizar Backend CD ~/ .vsr/ Touch config.yml

    backend : tensorflow  # (tensorflow, pytorch)
   verbose : info        # (debug, info, warning, error)

3. Evaluar

    cd Train
   python eval.py srcnn -t vid4 --pretrain=/path/srcnn.pth

4. Tren

   python prepare_data.py --filter mcl-v
   cd Train
   python train.py vespcn --dataset mcl-v --memory_limit 1GB --epochs 100

Ok, eso es todo lo que necesitas. Para obtener más detalles, use --help para obtener más información.

---

Se pueden encontrar más documentos en Docs.