VideoSuperResolution

Video Super Résolution

Une collection d'architectures de super-résolution de vidéo ou de super-résolution à l'image unique, réimplémentées dans TensorFlow.

Projet téléchargé sur PYPI maintenant. Essayez d'installer à partir de PYPI:

pip install VSR

Des poids pré-entraînés sont maintenant téléchargés.

Plusieurs implémentations Pytorch référencées sont également incluses maintenant.

Lien rapide:

• Installation
• Commencer
• Référence

Liste et référence du réseau (mise à jour)

L'hyperlien dirige le site papier, suit les codes officiels si les auteurs ouvrent des sources.

Tous ces modèles sont mis en œuvre dans un cadre.

Modèle	Publié	Code*	VSR (TF) **	VSR (torche)	Mots clés	Prénommagé
Srcnn	ECCV14	-, Keras	Y	Y	Kiming	√
Raisin	arxiv	-	-	-	Google, Pixel 3
ESPCN	CVPR16	-, Keras	Y	Y	Temps réel	√
Vdsr	CVPR16	-	Y	Y	Profond, résiduel	√
Dcnn	CVPR16	-	Y	Y	Récurrent
Drrn	CVPR17	Caffe, pytorch	Y	Y	Récurrent
Lapsrn	CVPR17	Matlab	Y	-	Perte de Huber
Edsr	CVPR17	-	Y	Y	Champion NTIRE17	√
Srgan	CVPR17	-	Y	-	1er Gan proposé
Vespcn	CVPR17	-	Y	Y	Vidéosr	√
Memnet	ICCV17	Caffe	Y	-
Srdenenet	ICCV17	-, Pytorch	Y	-	Dense	√
SPMC	ICCV17	Tensorflow	T	Y	Vidéosr
Dncnn	TIP17	Matlab	Y	Y	Débauche	√
Dcscn	arxiv	Tensorflow	Y	-
Cartonné	CVPR18	Caffe	Y	-	Rapide	√
RDN	CVPR18	Torche	Y	-	Deep, bi-bd-dn
SRMD	CVPR18	Matlab	-	Y	Denoise / Deblur / SR	√
DBPN	CVPR18	Pytorch	Y	Y	Champion NTIRE18	√
Zssr	CVPR18	Tensorflow	-	-	Zéro
Frvsr	CVPR18	Pdf	T	Y	Vidéosr	√
Duf	CVPR18	Tensorflow	T	-	Vidéosr
Carne	ECCV18	Pytorch	Y	Y	Rapide	√
RCAN	ECCV18	Pytorch	Y	Y	Deep, bi-bd-dn
MSRN	ECCV18	Pytorch	Y	Y		√
Srfeat	ECCV18	Tensorflow	Y	Y	Gan
Nlrn	NIPS18	Tensorflow	T	-	Non local, récurrent
Srcliquenet	NIPS18	-	-	-	Ondelette
Ffdnet	TIP18	Matlab	Y	Y	Nénoise conditionnel
CBDNET	CVPR19	Matlab	T	-	Denoire aveugle
Sofvsr	ACCV18	Pytorch	-	Y	Vidéosr	√
Esrgan	ECCVW18	Pytorch	-	Y	1ère place Pirm 2018	√
Técogan	arxiv	Tensorflow	-	T	Videosr gan	√
RBPN	CVPR19	Pytorch	-	Y	Vidéosr	√
Dpsr	CVPR19	Pytorch	-	-
Srfbn	CVPR19	Pytorch	-	-
Srntt	CVPR19	Tensorflow	-	-	Adobe
San	CVPR19	vide	-	-	Alidamo Sota
ADAFM	CVPR19	Pytorch	-	-	SENSETION ORAL

* Le 1er repo est par auteur de papier.

** Y : inclus; - : Non inclus; T : sous-test.

Vous pouvez télécharger des poids pré-formés via prepare_data , ou visiter le lien hypertexte à √ .

Lien des ensembles de données

(veuillez me contacter si l'un des liens vous offense ou une personne handicapée)

Nom	Usage	#	Site	Commentaires
Set5	Test	5	télécharger	jbhuang0604
Set14	Test	14	télécharger	jbhuang0604
Sunhay80	Test	80	télécharger	jbhuang0604
Urbain100	Test	100	télécharger	jbhuang0604
Vid4	Test	4	télécharger	4 vidéos
BSD100	Former	300	télécharger	jbhuang0604
BSD300	Train / Val	300	télécharger	-
BSD500	Train / Val	500	télécharger	-
91 images	Former	91	télécharger	Yang
Div2k	Train / Val	900	site web	NTIRE17
Waterloo	Former	4741	site web	-
Mcl-v	Former	12	site web	12 vidéos
Bopro	Train / Val	33	site web	33 vidéos, Deblur
Célèbre	Former	202599	site web	Visages humains
Palette	Train / Val	35	site web	Débit optique
Charités de vol	Former	22872	site web	Débit optique
MNU	Test	50	site web	Vraies photos bruyantes
Renire	Former	120	site web	Vraies photos bruyantes
Caroline du Nord	Test	60	site web	Photos bruyantes
Sidd (M)	Train / Val	200	site web	NTIRE 2019 Real Denoise
RSR	Train / Val	80	télécharger	NTIRE 2019 REAL SR
VIMEO-90K	Train / test	89800	site web	Vidéos de 90k HQ

Autres ensembles de données ouvertes: Kaggle Imagenet Coco

Package VSR

Ce package propose un cadre de formation et de traitement des données basé sur TF. Ce que j'ai fait est un cadre simple et facile à utiliser sans beaucoup d'encapulations et d'abstractions. De plus, VSR peut gérer NV12 / YUV RAW ainsi qu'une séquence d'images en entrées.

Installer

1. Préparez le TensorFlow et le pytorch appropriés (facultatif). Par exemple, GPU et CUDA10.0 (recommander d'utiliser conda ):

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

2. Installer le package VSR

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

Commencer

1. Téléchargez des poids pré-formés et des ensembles de données de formation (optinal). Par exemple, commençons par les données de test VESPCN et VID4:

   python prepare_data.py --filter vespcn vid4

2. Personnaliser le cd backend ~ / .vsr / touch config.yml

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

3. Évaluer

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

4. Former

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

Ok, c'est tout ce dont vous avez besoin. Pour plus de détails, utilisez --help pour obtenir plus d'informations.

---

Plus de documents peuvent être trouvés sur Docs.