1.前言
RealSR 是一种基于学习的单图像超分辨率(SISR)模型,专门针对真实世界的图像。它由腾讯 AI 实验室于 2020 年提出。
RealSR 的核心创新是提出了一种新的退化模型,该模型能够更好地模拟真实世界的退化过程。该模型考虑了真实世界图像中存在的多种退化因素,包括模糊、噪声和色彩失真。
RealSR 还提出了一种新的网络架构,该架构能够更好地学习真实世界的退化模型。该网络架构采用了一种递归结构,能够逐渐恢复高分辨率图像的细节。
RealSR 在多个真实世界图像超分辨率数据集上进行了测试,并取得了优异的性能。例如,在 Set5 数据集上,RealSR 的 PSNR 比传统的 SISR 模型高出约 0.5 dB。
RealSR 生成的图像
RealSR 的优势包括:
- 能够更好地模拟真实世界的退化过程,从而生成更逼真的高分辨率图像。
- 具有较高的性能,在多个真实世界图像超分辨率数据集上都取得了优异的结果。
RealSR 的应用包括:
- 图像增强:将低分辨率图像增强为高分辨率图像,以提高图像的清晰度和细节。
- 图像修复:修复低分辨率图像中的噪声、模糊和其他缺陷。
- 图像分割:提高图像分割的准确性。
2.模型下载
文中的源代码是jixiaozhong的github博主的链接在这里RealSR
如果访问github比较慢的话,可以下载我上传的百度链接:
文件目录:
下载百度链接文件
修改codes/options/df2k目录下的test_df2k.yml
根据自己的路径修改:dataroot_LR和pretrain_model_G
name: Track1 suffix: ~ # add suffix to saved images model: srgan distortion: sr scale: 4 crop_border: ~ # crop border when evaluation. If None(~), crop the scale pixels gpu_ids: [0] datasets: test_1: # the 1st test dataset name: DIV2K mode: LR dataroot_LR: /home/usrname/data/Internal_testing/deep-learning-for-image-processing/RealSR/codes/ntire20/Corrupted-te-x #### network structures network_G: which_model_G: RRDBNet in_nc: 3 out_nc: 3 nf: 64 nb: 23 upscale: 4 #### path path: pretrain_model_G: /home/usrname/data/Internal_testing/deep-learning-for-image-processing/RealSR/codes/pretrained_model/DF2K.pth results_root: ./results/
执行: python3 test.py -opt options/df2k/test_df2k.yml
如果没有GPU:
(1)修改codes/models目录下的base_model.py,修改self.device ="cpu"
(2)修改codes/models目录下的networks.py,修改device ="cpu"
3.执行结果
输入模型的图片是510*388,超分了16倍变成2040*1352,下面是运行的结果