SRGAN
1.0.0
基于CVPR 2017 Paper-Realistic单图像超分辨率的SRGAN的PYTORCH实现，使用生成对抗网络。
conda install pytorch torchvision -c pytorch
conda install opencv
火车和Val数据集从VOC2012采样。火车数据集有16700张图像，Val数据集有425张图像。从此处下载数据集（访问代码：5TZP），然后将其提取到data目录中。
测试图像数据集是从|设置5 | Bevilacqua等。 BMVC 2012 |设置14 | Zeyde等。 LNCS 2010 | BSD 100 |马丁等。 ICCV 2001 |阳光80 | Sun and Hays ICCP 2012 |城市100 | Huang等。 CVPR 2015。从此处下载图像数据集（访问代码：XWHY），然后将其提取到data目录中。
测试视频数据集是三个预告片。从此处下载视频数据集（访问代码：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]
输出Val超级分辨率图像在training_results目录上。
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]
输出超级分辨率图像在benchmark_results目录上。
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]
输出超级分辨率图像在同一目录上。
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]
输出超级分辨率视频和比较视频在同一目录上。
高档因子= 2
批处理大小为64的时期在NVIDIA GTX 1080TI GPU上需要〜2分钟30秒。
图像结果
左侧是双子插值图像，中间是高分辨率图像，右侧是超级分辨率图像（SRGAN的输出）。
视频结果
左侧是双色插值视频，右边是超级分辨率视频（SRGAN的输出）。
高档因子= 4
批处理大小为64的时期在NVIDIA GTX 1080TI GPU上需要〜4分钟30秒。
图像结果
左侧是双子插值图像，中间是高分辨率图像，右侧是超级分辨率图像（SRGAN的输出）。
视频结果
左侧是双色插值视频，右边是超级分辨率视频（SRGAN的输出）。
高档因子= 8
批处理大小为64的时期在NVIDIA GTX 1080TI GPU上需要〜3分钟30秒。
图像结果
左侧是双子插值图像，中间是高分辨率图像，右侧是超级分辨率图像（SRGAN的输出）。
视频结果
左侧是双色插值视频，右边是超级分辨率视频（SRGAN的输出）。
可以从此处下载完整的测试结果（访问代码：NKH9）。
