SRGAN-PyTorch：超分辨率纸的简单而完整的实现-源码.zip

【实例简介】
SRGAN-PyTorch 概述 该存储库包含对进行的逐点PyTorch重新实现。 目录 关于使用生成对抗网络的逼真的单图像超分辨率 如果您不熟悉SRGAN，请直接从本文中摘录以下内容： 尽管使用更快，更深的卷积神经网络在单图像超分辨率的准确性和速度方面取得了突破，但仍然存在一个主要问题仍未解决：当在较大的放大比例下进行超分辨率处理时，如何恢复更精细的纹理细节？ 基于优化的超分辨率方法的行为主要由目标函数的选择决定。 最近的工作主要集中在最小化均方重构误差上。 得出的估计值具有很高的峰值信噪比，但是它们通常缺少高频细节，并且在某种意义上说它们无法满足更高分辨率下的保真度，因此在感觉上并不令人满意。 在本文中，我们介绍了SRGAN，这是一种用于图像超分辨率（SR）的生成对抗网络（GAN）。 据我们所知，它是第一个能够为4倍放大因子推断出逼真的自然图像的框架。 为此，我们提出了一种感知损失函
【实例截图】
【核心代码】
16359647310913871265.zip
└── SRGAN-PyTorch-master
├── assets
│   └── result.png
├── data
│   ├── create_dataset_for_bicubic.py
│   ├── create_dataset_for_kernelGAN.py
│   ├── create_dataset.py
│   ├── crop_image.py
│   ├── download_dataset.sh
│   ├── niqe_image_params.mat
│   ├── README.md
│   └── split_image.py
├── hubconf.py
├── LICENSE
├── README.md
├── requirements.txt
├── srgan_pytorch
│   ├── dataset.py
│   ├── __init__.py
│   ├── loss.py
│   ├── models
│   │   ├── discriminator.py
│   │   ├── generator.py
│   │   └── __init__.py
│   └── utils
│   ├── calculate_niqe.py
│   ├── calculate_ssim.py
│   ├── common.py
│   ├── device.py
│   ├── estimate.py
│   ├── __init__.py
│   ├── kernelgan.py
│   └── transform.py
├── test_benchmark.py
├── tester.py
├── test_image.py
├── test_video.py
├── trainer.py
└── train.py

6 directories, 33 files