SRGAN
1.0.0
Uma implementação de Pytorch do SRGAN baseada na super resolução de imagem foto-realista do CVPR 2017, usando uma rede adversária generativa.
conda install pytorch torchvision -c pytorch
conda install opencv
Os conjuntos de dados de trem e Val são amostrados do VOC2012. O conjunto de dados de trem possui 16700 imagens e o Val DataSet possui 425 imagens. Faça o download dos conjuntos de dados daqui (código de acesso: 5TZP) e, em seguida, extrai -o para o diretório data .
O conjunto de dados da imagem de teste é amostrado de | Definir 5 | Bevilacqua et al. BMVC 2012 | Set 14 | Zeyde et al. LNCS 2010 | BSD 100 | Martin et al. ICCV 2001 | Sun-Hays 80 | Sun e Hays ICCP 2012 | Urbano 100 | Huang et al. CVPR 2015. Faça o download do conjunto de dados da imagem aqui (código de acesso: xwhy) e, em seguida, extrai -o no diretório data .
O conjunto de dados de vídeo de teste são três reboques. Faça o download do conjunto de dados de vídeo aqui (código de acesso: 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]
As imagens de saída Val Super Resolution estão no diretório 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]
As imagens de super resolução de saída estão no diretório 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]
A imagem de super resolução de saída está no mesmo diretório.
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]
O vídeo de super resolução de saída e o vídeo comparado estão no mesmo diretório.
Fator de luxo = 2
Epochs com tamanho de lote de 64 leva ~ 2 minutos 30 segundos em uma GPU NVIDIA GTX 1080TI.
Resultados da imagem
A esquerda é a imagem de interpolação bicúbica, o meio é uma imagem de alta resolução e a direita é a imagem de super resolução (saída do srgan).
Resultados do vídeo
A esquerda é o vídeo de interpolação bicúbica, a direita é o vídeo de super resolução (saída do srgan).
Fator de luxo = 4
Epochs com tamanho de lote de 64 leva ~ 4 minutos 30 segundos em uma GPU NVIDIA GTX 1080TI.
Resultados da imagem
A esquerda é a imagem de interpolação bicúbica, o meio é uma imagem de alta resolução e a direita é a imagem de super resolução (saída do srgan).
Resultados do vídeo
A esquerda é o vídeo de interpolação bicúbica, a direita é o vídeo de super resolução (saída do srgan).
Fator de luxo = 8
Epochs com tamanho de lote de 64 leva ~ 3 minutos 30 segundos em uma GPU NVIDIA GTX 1080TI.
Resultados da imagem
A esquerda é a imagem de interpolação bicúbica, o meio é uma imagem de alta resolução e a direita é a imagem de super resolução (saída do srgan).
Resultados do vídeo
A esquerda é o vídeo de interpolação bicúbica, a direita é o vídeo de super resolução (saída do srgan).
Os resultados completos dos testes podem ser baixados daqui (código de acesso: NKH9).
