视频图像增强
超分重建网络
1.前言
为了督促自己认真学习,碧波自己把最近学的东西,写成博客/(ㄒoㄒ)/~~
2.DASR
2.1 论文和代码
想深刻学习这个网络的提出思路,推荐大家看下面这个博主的连接,他比我讲的好,所以我就不过多解释了。
论文解读:https://blog.csdn.net/weixin_43972154/article/details/119327182
至于学习代码的话,根据作者的操作步骤一步步来就ok了,学习新网络,最重要的是复现代码。
代码连接:https://github.com/The-Learning-And-Vision-Atelier-LAVA/DASR
3.代码复现
3.1 准备环境
由于作者使用的pytorch的环境比较老,所以用高版本的pytorch总是会出现难以想象的问题,为了节约时间,我建议大家采用虚拟环境的方式。操作起来非常简单,三步就OK了:
- 创建虚拟环境
conda create -n pytorch1.1 python=3.6
一路遇到选择选y
- 激活创建的虚拟环境
activate pytorch1.1
- 在激活的虚拟环境下安装需要用到的包
pip install -i https://pypi.douban.com/simple -r requirement.txt
(记得将会用到的包放到个txt文件中)
3.2 数据准备
下载这两个数据放到一个文件夹里,为了避免少出错,我们把文件夹命名为DF2K
- 准备
DIV2K
DIV2K
数据集下载连接:https://data.vision.ee.ethz.ch/cvl/DIV2K/
这个连接里面有很多数据集,我当时没有搞清楚要下载那些数据集,差点全部下载了,注意只需要下载这两幅数据集,至于为什么,可以看我上面提供的论文解读。
- 准备
Flickr2K
Flickr2K
数据集下载连接:https://cv.snu.ac.kr/research/EDSR/Flickr2K.tar
- 合并数据
数据下载好了之后,放入文件夹DF2K
里面,大概是这样子。
细心的网络可能会问,我为什么只有900张图片,是因为我的电脑显存不够,我只用了DIV2K
数据集做训练。
3.3 开始训练
接下来就是开始训练了,训练代码,如果是用服务器的话直接run main.sh
就可以,没有条件的可以使用以下命令:
python main.py --dir_data=./dataset/ --model=blindsr --scale=4 --blur_type=aniso_gaussian --noise=25.0 --lambda_min=0.2 --lambda_max=4.0
训练过程大概是这样的
注意出现以下问题:
3.4 测试数据
- 原论文准备了四种测试数据集,下面说一下数据的[下载连接]。(https://github.com/XPixelGroup/BasicSR/blob/a19aac61b277f64be050cef7fe578a121d944a0e/docs/Datasets.md)
- 我测试的时候只用了
Set14
数据集,我用了这两个文件夹。
- 将
Set14
的HR
图像和LR
图像,放到benchmark
文件夹里,数据的存放文件格式是这样子的。
3.5 开启测试
下面就是开启测试了,测试命令如下:
python test.py --test_only --dir_data=./dataset/ --data_test=Set14 --model=blindsr --scale=4 --resume=114 --blur_type=aniso_gaussian --noise=10.0 --theta=0.0 --lambda_1=0.2 --lambda_2=4.0 --save_results=True
以下问题:
另外,也可以使用官方提供的权重,快速测试。
3.6 测试结果
这里要提一下,训练过程结果保存在experiment
文件下面,你用什么模式,就在什么文件夹里。
这里展示以下,我训练的结果,由于我只训练了114epoch,所以效果不好,勉为其难的展示一下吧。
4. 我的代码
下面提供以下,我的代码连接,比较懒的同学,可以直接下载我的代码,数据啥的我都已经下载好了,就不用麻烦挨个下载数据集了,直接使用。
链接:https://pan.baidu.com/s/1f_Gq-pvMyfth-FebiYpx7A
提取码:fasf
–来自百度网盘超级会员V5的分享