SRGAN
1.0.0
Implementasi Pytorch dari SRGAN berdasarkan CVPR 2017 kertas-realistis gambar-resolusi super-resolusi menggunakan jaringan permusuhan generatif.
conda install pytorch torchvision -c pytorch
conda install opencv
Dataset kereta dan Val diambil sampelnya dari VOC2012. Dataset kereta memiliki 16700 gambar dan Val Dataset memiliki 425 gambar. Unduh kumpulan data dari sini (Kode Akses: 5TZP), dan kemudian ekstrak ke dalam direktori data .
Dataset gambar uji diambil sampelnya dari | 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. Unduh dataset gambar dari sini (Kode Akses: XWHY), dan kemudian ekstrak ke dalam Data data .
Dataset video uji adalah tiga trailer. Unduh dataset video dari sini (Kode Akses: 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]
Gambar resolusi super Val output ada di Direktori 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]
Gambar resolusi super output ada di direktori 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]
Gambar resolusi super output ada di direktori yang sama.
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]
Video resolusi super output dan dibandingkan video ada di direktori yang sama.
Faktor kelas atas = 2
Zaman dengan ukuran batch 64 memakan waktu ~ 2 menit 30 detik pada GPU NVIDIA GTX 1080TI.
Hasil gambar
Kiri adalah gambar interpolasi bicubic, bagian tengah adalah gambar resolusi tinggi, dan kanan adalah gambar resolusi super (output dari srgan).
Hasil video
Kiri adalah video interpolasi bicubic, kanan adalah video resolusi super (output dari srgan).
Faktor kelas atas = 4
Zaman dengan ukuran batch 64 memakan waktu ~ 4 menit 30 detik pada GPU NVIDIA GTX 1080TI.
Hasil gambar
Kiri adalah gambar interpolasi bicubic, bagian tengah adalah gambar resolusi tinggi, dan kanan adalah gambar resolusi super (output dari srgan).
Hasil video
Kiri adalah video interpolasi bicubic, kanan adalah video resolusi super (output dari srgan).
Faktor kelas atas = 8
Zaman dengan ukuran batch 64 memakan waktu ~ 3 menit 30 detik pada GPU NVIDIA GTX 1080TI.
Hasil gambar
Kiri adalah gambar interpolasi bicubic, bagian tengah adalah gambar resolusi tinggi, dan kanan adalah gambar resolusi super (output dari srgan).
Hasil video
Kiri adalah video interpolasi bicubic, kanan adalah video resolusi super (output dari srgan).
Hasil tes lengkap dapat diunduh dari sini (Kode Akses: NKH9).
