初识超分重建——如何让女神更清晰,我的白月光【ICCV, 2021 超分重建之 BSRGAN】

❤️ 深度学习入门项目 之 【超分重建】 初识
💙 学会【深度摸鱼】,就可以和学妹展示搬砖技巧了
❤️ 声明:这是一个【大话超分重建】的博文,非专业技术文章,请大佬轻踩
💙 原创:墨理学AI


❤️ 【带你了解】❤️

💙 俘获芳心小技巧 ===》放大她的美 ❤️ 超分重建 ========》大话 BISR

墨理学AI

❤️ CSDN 首发:【深度学习入门项目】【❤️ICCV, 2021 超分重建之 BSRGAN❤️】

💙 公号原文【排版更清晰】:深度学习入门项目之——超分重建初识 ❤️ 感谢查阅


🚀学妹可否


❤️ 超分重建之 - - 无死角放大 💙
🔔 超分重建简单来说就是这样的一个过程

墨理学AI
墨理学AI

接下来,为大家简单介绍一下BISR这篇超分重建论文基础信息和官方代码预训练模型的初步体验


🔔基础信息



🎄摘要与论文贡献


  • 🚀 性能指标的赛道卷不动了,那么开辟新赛道的典型研究【值得学习】

众所周知,如果假设的退化模型与真实图像中的退化模型不同,单幅图像超分辨率 (SISR) 方法将无法很好地执行。尽管一些退化模型考虑了额外的因素,例如模糊,但它们仍然不足以覆盖真实图像的各种退化。 为了解决这个问题,本文提出设计一个更复杂但实用的退化模型,该模型由随机混洗的模糊、下采样和噪声退化组成。具体来说,模糊是通过具有各向同性和各向异性高斯核的两个卷积来近似的;下采样是从最近的、双线性和双三次插值中随机选择的;通过添加不同噪声级别的高斯噪声,采用不同质量因子的JPEG压缩,通过反向前向相机图像信号处理(ISP)管道模型和RAW图像噪声模型生成处理后的相机传感器噪声来合成噪声。 为了验证新退化模型的有效性,我们训练了一个深度盲ESRGAN 超级解析器,然后将其应用于具有不同退化的合成和真实图像的超级解析。

实验结果表明,新的退化模型有助于显着提高深度超分辨器的实用性,从而为真正的SISR应用提供强大的替代解决方案。

image.png

🎄环境搭建


训练代码仓库:https://github.com/cszn/KAIRgithub.com

测试代码仓库:https://github.com/cszn/BSRGANgithub.com

Linux下cuda10.0安装Pytorch和Torchvision--啥版本都能装_墨理学AI-CSDN博客

# pytorch 版本 1.4 -- 到 1.8 都可以
PyTorch 1.4.0-1.8.1

# 我这里直接创建和激活一个 PyTorch1.8.0 的 conda 独立环境运行该代码

conda create -n torch18 python=3.7.6

conda activate torch18

git clone https://github.com/cszn/KAIR

cd KAIR/
pip install -r requirement.txt


🎄代码测试


❤️代码下载

git clone https://github.com/cszn/BSRGAN.git
cd BSRGAN/

❤️预训练模型安置

image

❤️4倍 重建测试

python main_test_bsrgan.py

python main_test_bsrgan.py 

# GPU 占用 7641MiB

# 输出如下
LogHandlers setup!
21-09-06 07:44:18.248 :       Model Name : BSRGAN
21-09-06 07:44:18.251 :           GPU ID : 0
[3, 3, 64, 23, 32, 4]
21-09-06 07:44:21.401 :       Input Path : testsets/RealSRSet
21-09-06 07:44:21.402 :      Output Path : testsets/RealSRSet_results_x4
21-09-06 07:44:21.402 : ---1 --> BSRGAN --> x4--> Lincoln.png
21-09-06 07:44:21.775 : ---2 --> BSRGAN --> x4--> building.png

...

效果示例

墨理学AI

❤️2倍 重建测试

vim main_test_bsrgan.py

墨理学AI

python main_test_bsrgan.py

python main_test_bsrgan.py 

# GPU 占用  4469MiB

# 输出如下
LogHandlers setup!
21-09-06 07:46:19.338 :       Model Name : BSRGANx2
21-09-06 07:46:19.342 :           GPU ID : 0
[3, 3, 64, 23, 32, 2]
21-09-06 07:46:22.452 :       Input Path : testsets/RealSRSet
21-09-06 07:46:22.452 :      Output Path : testsets/RealSRSet_results_x2
21-09-06 07:46:22.452 : ---1 --> BSRGANx2 --> x2--> Lincoln.png
21-09-06 07:46:22.797 : ---2 --> BSRGANx2 --> x2--> building.png

💙更多福利图片放送

1
2

新头像-拿走不谢

3
4
5
6
7
8

🚀🚀文末专栏推荐部分



🚀🚀个人整理的Cuda系列 Linux安装教程【适合小白进阶】



💛愿我如星君如月,夜夜流光相皎洁


💜 所谓红颜:去找你的白月光吧,我要自己玩了 💜


墨理学AI —— 公号原文地址如下:

本文的后续,BSRGAN训练实战教程如下:

感谢关注

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
禁止转载,如需转载请通过简信或评论联系作者。
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,794评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,050评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,587评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,861评论 1 290
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,901评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,898评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,832评论 3 416
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,617评论 0 271
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,077评论 1 308
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,349评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,483评论 1 345
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,199评论 5 341
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,824评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,442评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,632评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,474评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,393评论 2 352

推荐阅读更多精彩内容