- 这里是orange研究inage enhancement进行整理总结,总结的同时也希望能够帮助更多的小伙伴。后期如果有学习到新的知识也会与大家一起分享。
- basic
- 直方图均衡化(已完成)
- Retinex_SSR(已完成)
- Retinex_MSR(已完成)
- Frequency_enhance(已完成)
- SRCNN(已完成)
- SRGAN(已完成)
- ESPCN(已完成)
- LapSRN(已完成)
- Anaconda3(建议使用)
- python3.6.6
- VScode 1.50.1 (IDE)
- pytorch 1.3 (pip package)
- torchvision 0.4.0 (pip package)
- numpy 1.19.4
- tensorflow 1.13.2
- SRCNN SRCNN是深度学习用在超分辨率重建上的开山之作。SRCNN的网络结构非常简单,仅仅用了三个卷积层,网络结构如下图所示。
SRCNN首先使用双三次(bicubic)插值将低分辨率图像放大成目标尺寸,接着通过三层卷积网络拟合非线性映射,最后输出高分辨率图像结果。本文中,作者将三层卷积的结构解释成三个步骤:图像块的提取和特征表示,特征非线性映射和最终的重建。 三个卷积层使用的卷积核的大小分为为9x9,,1x1和5x5,前两个的输出特征个数分别为64和32。用Timofte数据集(包含91幅图像)和ImageNet大数据集进行训练。使用均方误差(Mean Squared Error, MSE)作为损失函数,有利于获得较高的PSNR。 code: http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html
- CVPR2017,把生成对抗网络与SR相结合
- 数据集
- 高清图片数据集DIV 链接:https://pan.baidu.com/s/15DZSXEK7_XVnsSbpojeESA 提取码:aslw 复制这段内容后打开百度网盘手机App,操作更方便哦--来自百度网盘超级会员V5的分享
- 使用
- 把高清图片数据集放在dataset/train文件下面,即可开始训练
- 注意修改好文件路径
- Disiscriminator training有些问题,在loss函数部分。这部分先注释掉了,这意味着Discriminator不可被训练(这个问题还没有解决)
- CVPR2016, 创新点在于亚卷积层的使用。即进行最后一次卷积操作之后,对每一个像素点进行重新排列,把通道变为3(即彩色图像),这样就达到了提高分辨率的目的。
- CVPR2017
- 特征金字塔结构