USRNet
上期文章我们分享了基于OpenCV的超分辨率的代码实现，哪里主要使用到了EDSR、ESPCN、FSRCNN、LapSRN等模型，虽然使用OpenCV能够实现超分辨率，但是图片的清晰图并没有增加，当有一张稍微模糊的图片时，增加分辨率的同时，我们也更希望提高图片的清晰图，如上图的图片，本期文章，我们介绍一下USRNet模型结构
USRNet网络USRNet提出了一种端到端的可训练展开网络，该网络同时利用了基于学习的方法和基于模型的方法。USRNet会通过继承flexibility of model-based methods来针对不同比例因子超分辨模糊，嘈杂的图像a single model，同时保持advantages of learning-based methods。
USRNet网络
建议的USRNet的总体体系结构具有8个迭代。USRNet通过a single model将LR图像，比例因子，模糊内核和噪声水平作为输入，可以灵活地处理经典降级。具体而言，USRNet包括三个主要模块，包括数据模块d，使HR估计更加清楚，现有模块P10，使HR估计清洁器，和超参数模块H中，其控制的输出d和P。
数据模块D： 数据项的封闭式解决方案；不含可训练的参数先前模块P： 先前术语的ResUNet去噪器超参数模块H： MLP为超参数；充当滑动条以控制D和P的输出其代码作者已经共享，我们可以直接访问github下载源码，本源码基于PyTorch 1.4.0，需要提前安装PyTorch ，下载解压后的结构如下图：
其中main_test_realapplication.py文件主要来进行图片的超分辨率的实现，关于其他2个脚本文件，可自行尝试。
当下载完源代码后，需要下载提供的预训练模型，一共包括4个模型文件，USRNet以及USRGAN与tiny模型，我们主要下载USRNet以及USRGAN即可，当然若想提高运行速度，也可以下载tiny模型
USRNet网络
模型下载完成后，需要把模型放置在model_zoo文件夹下
USRNet
然后打开main_test_realapplication.py源码，查看主函数部分
def main(): model_name = &39; 39;usrgan&39;usrnet&39;usrgan_tiny&39;usrnet_tiny&39;set_real& test set, &39; test_image = &39; 39;chip.png&39;comic.png&test_image = &39; sf = 4 default: False save_E = True save zoomed LR, Estimated images if &39; in test_image: noise_level_img = 15 Gaussian kernel widths for x1, x2, x3, x4 else: noise_level_img = 2 default Gaussian kernel widths of clean/sharp images for x1, x2, x3, x4代码截图
我们这里需要修改的参数主要是：
Model_name：这里可以选择的参数&39; | &39; | &39; | &39;testset_name：这里主要是test的图片文件夹路径，我们可以把需要测试的图片放置在USRNet-mastertestsetsset_real文件夹下test_image：testsetsset_real文件夹下的需要测试的图片文件名称sf:这里设置超分辨的放大倍数，可以设置为1/2/3/4当然我们的图片若是比较清晰，可以选择noise_level_img = 2低底噪的内核参数
以上设置完成后，便可以运行代码进行图片的超分辨率的实现，代码运行完成后，会在results文件夹下生产超分辨的图片
除了USRNet模型外，也可以修改代码中的model为USRGAN，来实现图片的超分辨对比
从图片的结果可以看出，使用USRNet模型的图片超分辨的实现，不仅在分辨率上有增加，其图片的清晰度也有了明显的改善，当然，若只是想提高图片的清晰图，不需要提高分辨率，可以直接设置SF参数为1，模型会自动进行图片的清晰图的提高
这里，你也可以修改一下源代码，进行视频的实时超分辨的提高，或者模糊视频的实时处理等操作。
本站所发布的文字与图片素材为非商业目的改编或整理，版权归原作者所有，如侵权或涉及违法，请联系我们删除
热门信息
阅读 ()
1 注册微信号怎么注册第二个阅读 ()
2 怎么把照片变成卡通头像阅读 ()
3 手机越充越少电怎么解决