VideoSuperResolution

Video Resolusi Super

Koleksi video canggih atau arsitektur super-resolusi tunggal, yang diimplementasikan kembali dalam TensorFlow.

Proyek diunggah ke PYPI sekarang. Coba instal dari PYPI:

pip install VSR

Bobot pretrained sedang mengunggah sekarang.

Beberapa implementasi Pytorch yang direferensikan juga disertakan sekarang.

Tautan cepat:

• Instalasi
• Memulai
• Benchmark

Daftar dan Referensi Jaringan (Pembaruan)

Hyperlink mengarahkan ke situs kertas, mengikuti kode resmi jika penulis membuka sumber.

Semua model ini diimplementasikan dalam satu kerangka kerja.

Model	Diterbitkan	Kode*	VSR (TF) **	VSR (obor)	Kata kunci	Pretrained
Srcnn	ECCV14	-, keras	Y	Y	Kaiming	√
Raisr	arxiv	-	-	-	Google, Pixel 3
Espcn	CVPR16	-, keras	Y	Y	Waktu nyata	√
VDSR	CVPR16	-	Y	Y	Dalam, residual	√
Drcn	CVPR16	-	Y	Y	Berulang
Drrn	CVPR17	Caffe, Pytorch	Y	Y	Berulang
Lapsrn	CVPR17	Matlab	Y	-	Kehilangan Huber
Edsr	CVPR17	-	Y	Y	Juara ntire17	√
Srgan	CVPR17	-	Y	-	Gan yang diusulkan pertama
Vespcn	CVPR17	-	Y	Y	Video	√
Memnet	ICCV17	Caffe	Y	-
Srdensenet	ICCV17	-, Pytorch	Y	-	Padat	√
SPMC	ICCV17	Tensorflow	T	Y	Video
Dncnn	Tip17	Matlab	Y	Y	Denoise	√
Dcscn	arxiv	Tensorflow	Y	-
Idn	CVPR18	Caffe	Y	-	Cepat	√
Rdn	CVPR18	Obor	Y	-	DEEP, BI-BD-DN
SRMD	CVPR18	Matlab	-	Y	DENOISE/DEBLUR/SR	√
Dbpn	CVPR18	Pytorch	Y	Y	Juara NTIRE18	√
Zssr	CVPR18	Tensorflow	-	-	Zero-shot
Frvsr	CVPR18	Pdf	T	Y	Video	√
Duf	CVPR18	Tensorflow	T	-	Video
Carn	ECCV18	Pytorch	Y	Y	Cepat	√
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-lokal, berulang
SrCliquenet	NIPS18	-	-	-	Koncah
Ffdnet	Tip18	Matlab	Y	Y	Denoise bersyarat
Cbdnet	CVPR19	Matlab	T	-	Denoise buta
Sofvsr	Accv18	Pytorch	-	Y	Video	√
Esrgan	ECCVW18	Pytorch	-	Y	Tempat Pertama Pirm 2018	√
Tecogan	arxiv	Tensorflow	-	T	Video Gan	√
Rbpn	CVPR19	Pytorch	-	Y	Video	√
DPSR	CVPR19	Pytorch	-	-
Srfbn	CVPR19	Pytorch	-	-
Srntt	CVPR19	Tensorflow	-	-	Adobe
San	CVPR19	kosong	-	-	Alidamo Sota
Adafm	CVPR19	Pytorch	-	-	Sensetime oral

*Repo pertama adalah oleh penulis kertas.

** Y : Termasuk; - : tidak termasuk; T : Di bawah pengujian.

Anda dapat mengunduh bobot terlatih melalui prepare_data , atau mengunjungi hyperlink di √ .

Tautan dataset

(Silakan hubungi saya jika ada tautan yang menyinggung Anda atau orang yang dinonaktifkan)

Nama	Penggunaan	#	Lokasi	Komentar
Set5	Tes	5	unduh	jbhuang0604
Set14	Tes	14	unduh	jbhuang0604
Sunhay80	Tes	80	unduh	jbhuang0604
Urban100	Tes	100	unduh	jbhuang0604
VID4	Tes	4	unduh	4 video
BSD100	Kereta	300	unduh	jbhuang0604
BSD300	Kereta/val	300	unduh	-
BSD500	Kereta/val	500	unduh	-
91-gambar	Kereta	91	unduh	Yang
Div2k	Kereta/val	900	situs web	Ntire17
Waterloo	Kereta	4741	situs web	-
Mcl-v	Kereta	12	situs web	12 video
GoPro	Kereta/val	33	situs web	33 Video, DeBlur
Celeba	Kereta	202599	situs web	Wajah manusia
Sintel	Kereta/val	35	situs web	Aliran optik
BCHAIRS BRYING	Kereta	22872	situs web	Aliran optik
Dnd	Tes	50	situs web	Foto berisik yang nyata
Renoir	Kereta	120	situs web	Foto berisik yang nyata
NC	Tes	60	situs web	Foto bising
Sidd (M)	Kereta/val	200	situs web	Ntire 2019 real denoise
RSR	Kereta/val	80	unduh	Ntire 2019 sr asli
Vimeo-90k	Kereta/tes	89800	situs web	Video HQ 90k

Dataset Terbuka Lainnya: Kaggle Imagenet Coco

Paket VSR

Paket ini menawarkan kerangka kerja pelatihan dan pemrosesan data berdasarkan TF. Apa yang saya buat adalah kerangka kerja yang sederhana dan mudah digunakan tanpa banyak enkapulasi dan abstraksi. Selain itu, VSR dapat menangani NV12/YUV mentah serta urutan gambar sebagai input.

Memasang

1. Siapkan TensorFlow dan Pytorch (opsional) yang tepat. Misalnya, GPU dan CUDA10.0 (merekomendasikan untuk menggunakan conda ):

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

2. Instal Paket VSR

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

Memulai

1. Unduh bobot pra-terlatih dan dataset pelatihan (optinal). Misalnya, mari kita mulai dengan data uji VESPCN dan VID4:

   python prepare_data.py --filter vespcn vid4

2. Kustomisasi Backend CD ~/ .vsr/ touch config.yml

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

3. Mengevaluasi

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

4. Kereta

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

Oke, hanya itu yang Anda butuhkan. Untuk detail lebih lanjut, gunakan --help untuk mendapatkan informasi lebih lanjut.

---

Lebih banyak dokumen dapat ditemukan di dokumen.