VideoSuperResolution
0.6.4
최첨단 비디오 또는 단일 이미지 슈퍼 레스 솔루션 아키텍처 모음.
지금 PIPI에 프로젝트를 업로드했습니다. PYPI에서 설치하십시오 :
pip install VSR사전에 사전 무게가 업로드되고 있습니다.
현재 여러 참조 된 Pytorch 구현도 포함되어 있습니다.
빠른 링크 :
하이퍼 링크는 종이 사이트로 지시하며 저자가 개방 된 경우 공식 코드를 따릅니다.
이 모든 모델은 하나의 프레임 워크로 구현됩니다.
| 모델 | 게시 | 암호* | VSR (TF) ** | VSR (토치) | 키워드 | 사전 |
|---|---|---|---|---|---|---|
| srcnn | ECCV14 | -케라 | 와이 | 와이 | Kaiming | √ |
| Raisr | arxiv | - | - | - | 구글, 픽셀 3 | |
| ESPCN | CVPR16 | -케라 | 와이 | 와이 | 실시간 | √ |
| vdsr | CVPR16 | - | 와이 | 와이 | 깊고 잔여 | √ |
| DRCN | CVPR16 | - | 와이 | 와이 | 재발 | |
| drrn | CVPR17 | 카페, Pytorch | 와이 | 와이 | 재발 | |
| lapsrn | CVPR17 | MATLAB | 와이 | - | 허버 손실 | |
| edsr | CVPR17 | - | 와이 | 와이 | NTIRE17 챔피언 | √ |
| Srgan | CVPR17 | - | 와이 | - | 첫 번째 제안 된 간 | |
| VESPCN | CVPR17 | - | 와이 | 와이 | 비디오 r | √ |
| memnet | ICCV17 | 카페 | 와이 | - | ||
| Srdensenet | ICCV17 | -, Pytorch | 와이 | - | 밀집한 | √ |
| SPMC | ICCV17 | 텐서 플로 | 티 | 와이 | 비디오 r | |
| dncnn | 팁 17 | MATLAB | 와이 | 와이 | 거부 | √ |
| DCSCN | arxiv | 텐서 플로 | 와이 | - | ||
| Idn | CVPR18 | 카페 | 와이 | - | 빠른 | √ |
| RDN | CVPR18 | 토치 | 와이 | - | 깊고 BI-BD-DN | |
| SRMD | CVPR18 | MATLAB | - | 와이 | Denoise/DeBlur/Sr | √ |
| DBPN | CVPR18 | Pytorch | 와이 | 와이 | Ntire18 챔피언 | √ |
| ZSSR | CVPR18 | 텐서 플로 | - | - | 제로 샷 | |
| FRVSR | CVPR18 | 티 | 와이 | 비디오 r | √ | |
| DUF | CVPR18 | 텐서 플로 | 티 | - | 비디오 r | |
| 카른 | ECCV18 | Pytorch | 와이 | 와이 | 빠른 | √ |
| RCAN | ECCV18 | Pytorch | 와이 | 와이 | 깊고 BI-BD-DN | |
| MSRN | ECCV18 | Pytorch | 와이 | 와이 | √ | |
| srfeat | ECCV18 | 텐서 플로 | 와이 | 와이 | 간 | |
| nlrn | NIPS18 | 텐서 플로 | 티 | - | 비 국소적이고 반복 | |
| srcliquenet | NIPS18 | - | - | - | 잔물결 | |
| ffdnet | 팁 18 | MATLAB | 와이 | 와이 | 조건부 거부 | |
| CBDNet | CVPR19 | MATLAB | 티 | - | 블라인드 디노즈 | |
| sofvsr | ACCV18 | Pytorch | - | 와이 | 비디오 r | √ |
| 에스가 | ECCVW18 | Pytorch | - | 와이 | 1 위 PIRM 2018 | √ |
| Tecogan | arxiv | 텐서 플로 | - | 티 | 비디오 간 | √ |
| RBPN | CVPR19 | Pytorch | - | 와이 | 비디오 r | √ |
| DPSR | CVPR19 | Pytorch | - | - | ||
| SRFBN | CVPR19 | Pytorch | - | - | ||
| srntt | CVPR19 | 텐서 플로 | - | - | 어도비 벽돌 | |
| 산 | CVPR19 | 비어 있는 | - | - | 알리 다모 소타 | |
| adafm | CVPR19 | Pytorch | - | - | Sensetime Oral |
*첫 번째 저장소는 종이 저자입니다.
** y : 포함; - : 포함되지 않음; T : 아래 테스트.
prepare_data 통해 미리 훈련 된 무게를 다운로드하거나 √ 의 하이퍼 링크를 방문 할 수 있습니다.
(링크가 귀하 또는 장애인 한 사람이라면 저에게 연락하십시오)
| 이름 | 용법 | 틀 | 대지 | 의견 |
|---|---|---|---|---|
| 세트 5 | 시험 | 5 | 다운로드 | JBHUANG0604 |
| set14 | 시험 | 14 | 다운로드 | JBHUANG0604 |
| SunHay80 | 시험 | 80 | 다운로드 | JBHUANG0604 |
| Urban100 | 시험 | 100 | 다운로드 | JBHUANG0604 |
| vid4 | 시험 | 4 | 다운로드 | 4 동영상 |
| BSD100 | 기차 | 300 | 다운로드 | JBHUANG0604 |
| BSD300 | 기차/발 | 300 | 다운로드 | - |
| BSD500 | 기차/발 | 500 | 다운로드 | - |
| 91- 이미지 | 기차 | 91 | 다운로드 | 양 |
| div2k | 기차/발 | 900 | 웹 사이트 | ntire17 |
| 워털루 | 기차 | 4741 | 웹 사이트 | - |
| MCL-V | 기차 | 12 | 웹 사이트 | 12 비디오 |
| Gopro | 기차/발 | 33 | 웹 사이트 | 33 비디오, Deblur |
| Celeba | 기차 | 202599 | 웹 사이트 | 인간의 얼굴 |
| 신텔 | 기차/발 | 35 | 웹 사이트 | 광학 흐름 |
| 플라잉 의자 | 기차 | 22872 | 웹 사이트 | 광학 흐름 |
| DND | 시험 | 50 | 웹 사이트 | 진짜 시끄러운 사진 |
| renoir | 기차 | 120 | 웹 사이트 | 진짜 시끄러운 사진 |
| NC | 시험 | 60 | 웹 사이트 | 시끄러운 사진 |
| sidd (m) | 기차/발 | 200 | 웹 사이트 | Ntire 2019 Real DeNoise |
| RSR | 기차/발 | 80 | 다운로드 | Ntire 2019 Real Sr |
| vimeo-90k | 기차/시험 | 89800 | 웹 사이트 | 90K 본사 비디오 |
기타 열린 데이터 세트 : Kaggle Imagenet Coco
이 패키지는 TF를 기반으로 한 교육 및 데이터 처리 프레임 워크를 제공합니다. 내가 만든 것은 많은 인정과 추상화가없는 간단하고 사용하기 쉬운 프레임 워크입니다. 또한 VSR은 원시 NV12/YUV뿐만 아니라 입력으로 일련의 이미지를 처리 할 수 있습니다.
적절한 텐서 플로우와 Pytorch (선택 사항)를 준비하십시오. 예를 들어, GPU 및 CUDA10.0 ( conda 사용 권장) :
conda install tensorflow-gpu==1.15.0
# optional
# conda install pytorchVSR 패키지를 설치하십시오
# For someone see this doc online
# git clone https://github.com/loseall/VideoSuperResolution && cd VideoSuperResolution
pip install -e .미리 훈련 된 무게 및 (광학) 교육 데이터 세트를 다운로드하십시오. 예를 들어 VESPCN 및 VID4 테스트 데이터로 시작하겠습니다.
python prepare_data.py --filter vespcn vid4백엔드 CD ~/ .vsr/ touch config.yml을 사용자 정의하십시오
backend : tensorflow # (tensorflow, pytorch)
verbose : info # (debug, info, warning, error)평가하다
cd Train
python eval.py srcnn -t vid4 --pretrain=/path/srcnn.pth기차
python prepare_data.py --filter mcl-v
cd Train
python train.py vespcn --dataset mcl-v --memory_limit 1GB --epochs 100 좋아, 그게 당신이 필요한 전부입니다. 자세한 내용은 --help 사용하여 자세한 정보를 얻으십시오.
더 많은 문서는 문서에서 찾을 수 있습니다.
