การใช้งาน Pytorch ของ SRGAN โดยใช้ CVPR 2017 Paper Photo-Realistic Single Image Super-Resolution โดยใช้เครือข่ายฝ่ายตรงข้าม
conda install pytorch torchvision -c pytorch
conda install opencv
ชุดข้อมูลรถไฟและ VAL ถูกสุ่มตัวอย่างจาก VOC2012 ชุดข้อมูลรถไฟมีภาพ 16700 ภาพและชุดข้อมูล VAL มี 425 ภาพ ดาวน์โหลดชุดข้อมูลจากที่นี่ (รหัสการเข้าถึง: 5TZP) จากนั้นแยกออกเป็นไดเรกทอรี data
ชุดข้อมูลภาพทดสอบจะถูกสุ่มตัวอย่างจาก | ชุดที่ 5 | Bevilacqua และคณะ BMVC 2012 | ชุด 14 | Zeyde และคณะ LNCS 2010 | BSD 100 | Martin และคณะ ICCV 2001 | Sun-Hays 80 | Sun and Hays ICCP 2012 | Urban 100 | Huang et al. CVPR 2015 ดาวน์โหลดชุดข้อมูลรูปภาพจากที่นี่ (รหัสการเข้าถึง: XWHY) จากนั้นแยกออกเป็นไดเรกทอรี data
ชุดข้อมูลวิดีโอทดสอบเป็นสามตัวอย่าง ดาวน์โหลดชุดข้อมูลวิดีโอจากที่นี่ (รหัสการเข้าถึง: 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]
ภาพเอาต์พุต Val Super Resolution อยู่ในไดเรกทอรี 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]
ภาพเอาต์พุต Super Resolution อยู่ในไดเรกทอรี 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]
ภาพเอาต์พุต Super Resolution อยู่ในไดเรกทอรีเดียวกัน
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]
วิดีโอความละเอียด Super Resolution และวิดีโอเปรียบเทียบอยู่ในไดเรกทอรีเดียวกัน
ปัจจัยหรู = 2
ยุคที่มีขนาดแบทช์ 64 ใช้เวลา ~ 2 นาที 30 วินาทีใน Nvidia GTX 1080TI GPU
ภาพ
ด้านซ้ายคืออิมเมจการแก้ไขแบบไบบิกกลางเป็นภาพความละเอียดสูงและด้านขวาคือภาพความละเอียดสุดยอด (เอาต์พุตของ srgan)




ผลลัพธ์วิดีโอ
ด้านซ้ายคือวิดีโอการแก้ไขแบบ bicubic ทางด้านขวาคือวิดีโอความละเอียดสุดยอด (เอาต์พุตของ srgan)

ปัจจัยหรู = 4
ยุคที่มีขนาดแบทช์ 64 ใช้เวลา ~ 4 นาที 30 วินาทีใน Nvidia GTX 1080TI GPU
ภาพ
ด้านซ้ายคืออิมเมจการแก้ไขแบบไบบิกกลางเป็นภาพความละเอียดสูงและด้านขวาคือภาพความละเอียดสุดยอด (เอาต์พุตของ srgan)




ผลลัพธ์วิดีโอ
ด้านซ้ายคือวิดีโอการแก้ไขแบบ bicubic ทางด้านขวาคือวิดีโอความละเอียดสุดยอด (เอาต์พุตของ srgan)

ปัจจัยหรู = 8
ยุคที่มีขนาดแบทช์ 64 ใช้เวลา ~ 3 นาที 30 วินาทีใน Nvidia GTX 1080TI GPU
ภาพ
ด้านซ้ายคืออิมเมจการแก้ไขแบบไบบิกกลางเป็นภาพความละเอียดสูงและด้านขวาคือภาพความละเอียดสุดยอด (เอาต์พุตของ srgan)




ผลลัพธ์วิดีโอ
ด้านซ้ายคือวิดีโอการแก้ไขแบบ bicubic ทางด้านขวาคือวิดีโอความละเอียดสุดยอด (เอาต์พุตของ srgan)

ผลการทดสอบที่สมบูรณ์สามารถดาวน์โหลดได้จากที่นี่ (รหัสการเข้าถึง: NKH9)