超分重建—— ICCV, 2021 超分重建之 BSRGAN：测评 [ 上 ]

本文主要是介绍超分重建—— ICCV, 2021 超分重建之 BSRGAN：测评 [ 上 ]，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1-0

🍊 各位读者小伙伴、春天快乐
📆 最近更新：2022年3月15日
🍊 专栏：超分重建-代码环境搭建-知识总结

❤️【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：这是一片大话超分重建的博文，非专业技术文章，请大佬轻踩

❤️ 【带你了解】❤️

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

文章目录

- 🚀学妹可否
- 🔔基础信息
- 🎄摘要与论文贡献
- 🎄环境搭建
- 🎄代码测试
- - ❤️代码下载
  - ❤️预训练模型安置
  - ❤️4倍重建测试
  - ❤️2倍重建测试
  - 💙更多福利图片放送
- 📙 博主 AI 领域八大干货专栏、诚不我欺
- 📙 预祝各位前途似锦、可摘星辰

🚀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

0-1

0-2

🔔基础信息

Designing a Practical Degradation Model for Deep Blind Image Super-Resolution (ICCV, 2021)
设计一个实用的深度盲图像超分辨率退化模型
https://arxiv.org/pdf/2103.14006.pdf
https://github.com/cszn/BSRGAN
作者本人论文写作研究出发点自述

🎄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。

1-0

🎄环境搭建

训练代码仓库：https://github.com/cszn/KAIR
测试代码仓库：https://github.com/cszn/BSRGAN
Linux下cuda10.0安装Pytorch和Torchvision|简记

# 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=3.7.6conda activate torch18git clone https://github.com/cszn/KAIRcd 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

1-1

❤️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

2-0

2-1

❤️2倍重建测试

vim main_test_bsrgan.py

1-2

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