AOT-GAN用于高分辨率图像修复 | AOT-GAN：用于高分辨率图像修复的聚合上下文转换，，，。 引文 如果我们的论文和代码中的任何部分对您的工作有所帮助，请慷慨地引用我们并加注星标 :face_blowing_a_kiss: :face_blowing_a_kiss: :face_blowing_a_kiss: ！ @inproceedings{yan2021agg, author = {Zeng, Yanhong and Fu, Jianlong and Chao, Hongyang and Guo, Baining}, title = {Aggregated Contextual Transformations for High-Resolution Image Inpainting}, booktitle = {Arxiv}, pages={-}, year = {2020} } 介绍 尽管取得了一些令人鼓舞的结果，但是对于现有的图像修复方法来填充高分辨率图像（例如5

这个项目是迭代反投影（IBP）的一个简单实现解决超分辨率问题的算法。 它首先被提出作者：Michal Irani 在她 1991 年的论文“通过图像提高分辨率注册”。正在使用的成像模型由一篇论文描述Michael Elad，“图像的超分辨率重建”。 两篇论文可以通过 Google Scholar 中的搜索轻松找到。 我对成像模型做了两个简化： 1) 假设图像模糊是空间不变的。 2）空间变换模型是全局变换。 要运行示例代码，请执行以下步骤： 1) 运行 SRSetup.m 2）运行SRExample.m 示例代码对合成生成的数据集进行操作参考图像。 因此，模糊西格玛的确切值和正在使用平移偏移量。

为了方便测试应用在不同分辨率的效果，Resolution Test是为Chrome浏览器制作的一款可调整浏览器窗口大小的工具，该款插件可设置分辨率大小来调整浏览器窗口大小，也可一次通过选取多个分辨率选项来打开多个相应大小的新窗口，下载解压后导入chrome扩展程序即可使用（导入步骤：输入chrome://extensions/ 即可）。

超分辨率卷积神经网络（SRCNN） 适用于Python / Torch，Numpy和Avnet的ZedBoard的SRCNN实现 单个图像超分辨率（SR）的目的是从单个低分辨率（LR）图像中恢复高分辨率（HR）图像。 该存储库包含Dong，Chao等人的超分辨率卷积神经网络（SRCNN）的三种实现。 “使用深度卷积网络的图像超分辨率。” （ ） 概括 9-5-5卷积神经网络 三种实现 火炬：用于训练网络，提取权重和放大 脾气暴躁：升级 Cython：用于升级（可以在Avnet的上运行） 完全由CPU运行或 在ZedBoards FPGA上运行2D卷积 用法 有关用法说明和先决条件，请参见其文件夹中的相应实现的README.md文件： 指标 公制 双三次 爱生雅 NE + LLEA 卡卡 安拉 A + A SRCNN（东） SRCNN（我们的） 信噪比 29.56 31.42

用于图像分类的高分辨率网络（HRNets） 消息 [2021/01/20]添加一些更强大的ImageNet预训练模型，例如HRNet_W48_C_ssld_pretrained.pth达到top-1 acc的83.6％。 [2020/03/13] TPAMI接受了我们的论文：。 根据要求，我们提供两种小型HRNet模型。 #parameters和GFLOP与ResNet18相似。 使用这两个小型模型的细分结果也可从。 TensoFlow实现可在。 谢谢 ！ 修复问题后启用了ONNX导出。 谢谢！ 介绍 这是的官方代码。 我们使用下图所示的分类头来扩充HRNet。 首先，将四分辨率特征图输入瓶颈，并将输出通道数分别增加到128、256、512和1024。 然后，我们通过输出256个通道的2步3x3卷积对高分辨率表示进行下采样，并将其添加到第二个高分辨率表示中。 重复此过程两次，以小分

TecoGAN-PyTorch 介绍 这是TecoGAN的PyTorch重新实现：特mporally有限公司赫伦特GAN视频超分辨率（VSR）。 有关更多信息，请参考官方TensorFlow实现 。 特征 更好的性能：此仓库提供的模型比官方仓库更小但性能更好。 请参阅我们关于Vid4和ToS3数据集的。 多个降级：此存储库支持两种类型的降级，即BI和BD。 请参阅以获取有关降级类型的更多详细信息。 统一框架：此存储库为基于失真和基于感知的VSR方法提供了统一框架。 内容 致谢 依存关系 Ubuntu> = 16.04 NVIDIA GPU + CUDA 的Python 3 PyTorch> = 1.0.0 Python软件包：numpy，matplotlib，opencv-python，pyyaml，lmdb （可选）Matlab> = R2016b 测试 注意：我们会根

espcn的matlab代码RDN-TensorFlow 原始来源 CVPR 2018 论文的 TensorFlow 实现。 官方实施： 先决条件 Python-2.7（分支python3的Python-3.5） TensorFlow-1.10.0 Numpy-1.14.5 OpenCV-2.4.9.1 h5py-2.6.0 用法 准备数据 从 下载 DIV2K 训练数据。 提取所有图像并将其放置在 RDN-TensorFlow/Train/DIV2K_train_HR 中。 火车 python main.py 测试 python main.py --is_train=False 注意 如果要在生成训练数据和测试图像时使用 MATLAB 中的 resize 函数作为使用的预训练模型，则需要安装 ，并使用选项--matlab_bicubic=True运行脚本。 如果你想直接把原始图像作为RDN的输入，你可以像python main.py --is_train=False --is_eval=False --test_img=Test/Set5/butterfly_GT.bmp这样运行脚本

Paper - SR3 - Image Super-Resolution via Iterative Refinement

超分辨率SRDPNs张量流 tensorflow实现的超分辨率： 我基于双路径网络的超分辨率实现，但与原始网络完全不同，差异如下所示： 我修改了双路径块的结构，以加快训练速度。 我引入了瓶颈以减小尺寸并进行去卷积以恢复细节。 介绍基于VGG19的特征空间的知觉损失和克损失。 依存关系： 张量流> = 1.3.0 Scipy> = 0.18 GPU内存> 7G 用法： 首先，您需要在下载VGG19的模块以进行损耗函数计算。 然后，将下载的文件imagenet-vgg-verydeep-19.mat移到该项目的SRDPNs文件夹中。 供测试用： 打开main.py ，将数据路径更改为您的数据，例如： flags.DEFINE_string("testimg", "2.bmp", "Name of test image") 执行python main.py进行测试，结果将保存在示例

MRI图像超分辨率代码，采用低秩全变分算法，论文发表于IEEE Transactions on Medical Imaging2015