EGVSR项目的测试数据集

SRMD Pytorch (English version is down below) (建议在环境下操作) 本仓库改编于原作者项目 相关论文：CVPR 2018 模型结构： SRMD已经训练的模型保存在model_zoo中。(模型来源于原作者 https://drive.google.com/drive/folders/13kfr3qny7S2xwG9h7v95F5mkWs0OmU0D) SRMD模型： srmd_x2.pth srmd_x3.pth srmd_x4.pth 输入：19维的数据，其中15维为经过PCA降维后进行维度拉伸的模糊核，还有1个维度为图片噪声维度，另外3个维度分别为图片的RGB通道，即模型输入为：(19,图片宽,图片高) 图片经过GAN网络的处理，最后进行PixelShuffle，放大指定的倍数。 输出：放大了的图片的RGB通道，即模型输出为：(3,图片宽,图

与https://www.bilibili.com/video/BV1zq4y1o7ph?p=6&spm_id_from=333.880.my_history.page.click&vd_source=c09213c2eea73b54c3605a89e3d85781相对应，底层视觉与MMEditinig代码实战，复现CVPR2022 RealBasicVSR

k近邻法matlab原始码变换后的自样本的单图像超分辨率（CVPR 2015） 介绍 这是本文的研究代码： ，和[Narendra Ahuja]（），“来自变换后的自样本的单图像超分辨率”，CVPR 2015 该算法实现，而不需要任何外部训练数据集，特征提取的图像超分辨率的先进设备，最先进的性能和复杂的学习算法。 有关更多详细信息，请访问我们的。 所有数据集（Set5，Set14，Urban 100，BSD 100，Sun-Hays 80），预先计算的结果和视觉比较都可以在以下部分中找到。 引文 如果您发现代码和数据集对您的研究有用，请考虑引用以下内容： @inproceedings{Huang-CVPR-2015, title={Single Image Super-Resolution From Transformed Self-Exemplars}, Author = {Huang, Jia-Bin and Singh, Abhishek and Ahuja, Narendra}, booktitle = {Proceedings of the IEEE Conference o

matlab插值代码解释FSRCNN 由Pytorch和Matlab复制《加速超分辨率卷积神经网络》（CVPR 2016）论文。 依存关系 Matlab 2016 火炬1.0.0 解释 论文作者url：提供的一些Matlab代码。 使用两种语言进行项目的主要原因是因为双三次插值的实现方式不同，这导致使用PSNR标准时结果的差异更大。 概述 网络概述和与SRCNN的比较： 用法 使用./data_pro/data_aug.m进行扩充。 使用./data_pro/generate_train.m生成train.h5。 使用./data_pro/generate_test.m生成test.h5。 乘坐train.py火车： python train.py 将Pytorch模型.pkl转换为Matlab矩阵.mat。 （weights.pkl-> weights.mat） python convert.py 使用./test/demo_FSRCNN.m获得结果。 结果 使用./model/weights.mat可以得到结果： Set5平均：重建PSNR = 32.52dB VS双三次PSNR

《Extremely Lightweight Quantization Robust Real-Time Single-Image Super Resolution for Mobile Devices》移动端超分辨率论文复现，该论文方案为CVPR举办的Mobile AI Challenge 2021比赛的冠军方案，实现了在移动设备上的实时推理，模型符合超轻量级（模型大小0.02M）。复现内容包括训练、推理、unit8量化。压缩包中包括：论文及其复现代码（pytorch）。

数据融合matlab代码自适应加权学习网络的轻量图像超分辨率 王朝峰，李振和石军，“具有自适应加权学习网络的轻量图像超分辨率”， 该代码基于 依存关系 的Python 3.5 PyTorch> = 0.4.0 麻木 skimage 意象 matplotlib tqdm 代码 git clone git@github.com:ChaofWang/AWSRN.git cd AWSRN 抽象的 近年来，深度学习已以出色的性能成功地应用于单图像超分辨率（SISR）任务。 但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。 在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。 在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。 此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。 AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分

# SRCNN超分辨率Pytorch代码 1. 复现SRCNN，使用三层卷积层，kernel size分别为9,1,5； 2. 包含数据集，并包含在该数据集上训练6000epoch的模型pth文件； 3. 包含训练和推理代码，可以使用已经训练好的代码直接推理。

Set5，Set14 Dataset 是基于非负邻域嵌入的低复杂度单图像超分辨率的数据集，该训练集被用于单幅图像超分辨率重构，即根据低分辨率图像重构出高分辨率图像以获取更多的细节信息。 这项技术已被广泛应用于 计算机视觉 与图形学、医学成像、安全监控等领域。 该数据集由比利埃大学、法国贝尔实验室于 2012 年发布，相关论文有《Low-Complexity Single-Image Super-Resolution based on Nonnegative Neighbor Embedding》。

Sun-Hays 80 Dataset 是被用于超分辨率图像研究的数据集，它利用全局场景描述在图像数据库进行相关场景的比对和查找，这些场景提供了理想的示例纹理以约束图像采样的问题，相较于超分辨率任务的内部图像统计，明确场景匹配的统计更具预测性。 基于补丁的纹理转移技术并产生幻觉纹理细节，后将发布者的超分辨率图像与其他方法进行比较得出结论。 这套数据集由布朗大学于 2012 年发布机构。 相关论文：「Super-resolution from Internet-scale Scene Matching」