图像超分辨率技术是一种计算机视觉领域的关键技术，其目的是通过算法提升低分辨率（Low-Resolution, LR）图像的质量，使之接近或恢复到原始高分辨率（High-Resolution, HR）图像的细节和清晰度。在这个领域，基准数据集是评估和比较不同超分辨率算法性能的重要工具。"图像超分辨率基准数据集"提供了五个这样的测试集，每个都包含了x4x3x2的超分辨率任务，这意味着算法需要将图像分别放大到原来尺寸的4倍、3倍和2倍。 Set5是一个广泛使用的超分辨率数据集，它包含了高质量的高分辨率图像样本，这些样本主要来自真实世界的场景，涵盖了多种主题，如人物、风景等。Set5的数据集设计初衷是为了评测在实际应用中，超分辨率算法的性能和真实性。在处理这个数据集时，研究人员通常会先对原始HR图像进行下采样操作，生成对应的LR图像，然后用各种超分辨率算法去恢复这些LR图像，最后与原始HR图像进行对比，评估算法的重建效果。 超分辨率技术可以分为两大类：基于学习的方法和非基于学习的方法。非基于学习的方法，如插值、反卷积等，主要依赖数学运算来提高图像分辨率。而基于学习的方法，尤其是近年来随着深度学习的兴起，通过训练神经网络模型来学习图像的高分辨率特性，例如SRCNN（Super-Resolution Convolutional Neural Network）、VDSR（Very Deep Super-Resolution）和ESPCN（Efficient Sub-Pixel Convolutional Neural Network）等，它们在Set5等基准数据集上的表现通常优于传统方法。 在评估超分辨率算法时，常见的指标包括峰值信噪比（PSNR）和结构相似度指数（SSIM）。PSNR衡量了重建图像与原始图像之间的均方误差，数值越高，表示重建质量越好。SSIM则从人类视觉系统的角度考虑，评价图像的结构信息保持程度，同样值域越大，表示相似度越高。 在实际应用中，除了追求高PSNR和SSIM值，算法还需要考虑计算效率和实时性。例如，轻量级网络设计，如ESPCN，能够在保持良好性能的同时，降低计算复杂度，适应于嵌入式设备或实时系统。 "图像超分辨率基准数据集"，特别是Set5，为研究者提供了一个公正的平台，用于开发和测试新的超分辨率算法。通过对这个数据集的不断挑战和优化，我们可以期待未来图像超分辨率技术在画质提升、视频处理、遥感影像分析等领域发挥更大的作用。

配套文章：https://blog.csdn.net/qq_36584673/article/details/136861864 文件说明： benchmark_results：保存不同倍数下测试集的测试结果 data：存放数据集的文件夹，包含训练集、测试集、自己的图像/视频 epochs：保存训练过程中每个epoch的模型文件 statistics：存放训练和测试的评估指标结果 training_results：存放每一轮验证集的超分结果对比，每张图像5行3列展示 data_utils.py：数据预处理和制作数据集 demo.py：任意图像展示GT、Bicubic、SRGAN可视化对比结果 draw_evaluation.py：绘制Epoch与Loss、PSNR、SSIM关系的曲线图 loss.py：损失函数 model.py：网络结构 test_benchmark.py：生成benchmark测试集结果 test_image.py：生成任意单张图像用SRGAN超分的结果 test_video.py：生成SRGAN视频超分的结果 train.py：训练SRGAN 使用方法见文章。

CSDN佛怒唐莲上传的视频均有对应的完整代码，皆可运行，亲测可用，适合小白； 1、代码压缩包内容 主函数：main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开main.m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博客文章底部QQ名片； 4.1 博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作

SRCNN-CS_SRCNN彩色图像超分辨率重建_彩色超分辨率_matlabSRCNN_超分辨率重建_超分辨重建

超分辨率matlab代码韩 我们的ECCV 2020论文“通过整体注意力网络实现单图像超分辨率”的PyTorch代码 该存储库适用于以下论文中介绍的HAN 张玉伦，李坤鹏，李凯，王丽晨，钟斌能和付云，“通过整体注意力网络实现单图像超分辨率”，ECCV 2020， 该代码基于RCAN（PyTorch）构建并在具有Titan X / 1080Ti / Xp GPU的Ubuntu 16.04 / 18.04环境（Python3.6，PyTorch_0.4.0，CUDA8.0，cuDNN5.1）上进行了测试。 内容 介绍 信息功能在单图像超分辨率任务中起着至关重要的作用。 事实证明，渠道关注对于保留每一层中信息量丰富的功能是有效的。 但是，频道注意力将每个卷积层视为一个单独的过程，从而错过了不同层之间的相关性。 为了解决这个问题，我们提出了一个新的整体注意网络（HAN），该网络由一个图层注意模块（LAM）和一个通道空间注意模块（CSAM）组成，以对图层，通道和位置之间的整体相互依赖性进行建模。 具体地，提出的LAM通过考虑各层之间的相关性来自适应地强调分层特征。 同时，CSAM学习每个通道所有

针对现有基于深度学习的图像超分辨率重建方法，其对细节纹理恢复过程中容易产生伪纹理，并且没有充分利用原始低分辨率图像丰富的局部特征层信息的问题，提出一种基于注意力生成对抗网络的超分辨率重建方法.该方法中生成器部分是通过注意力递归网络构成，其网络中还引入了密集残差块结构.首先，生成器利用自编码结构提取图像局部特征层信息，并提升分辨率；然后，通过判别器进行图像修正，最终将图像重建为高分辨率图像.实验结果表明，在多种面向峰值信噪比超分辨率评价方法的网络中，所设计的网络表现出了稳定的训练性能，改善了图像的视觉质量，同时具有较强的鲁棒性.

DASR （CVPR-2021）我们的论文DASR的官方PyTorch代码：。 抽象的 如今，无监督超分辨率（SR）一直在飞涨，这是因为它在实际场景中具有实用性和前景可观的潜力。 现成方法的原理在于增强未配对数据，即首先生成对应于现实世界高分辨率（HR）图像的合成低分辨率（LR）图像$ \ mathcal {Y} ^ g $现实LR域$ \ mathcal {Y} ^ r $中的$ \ mathcal {X} ^ r $，然后利用伪对$ {\ mathcal {Y} ^ g，\ mathcal {X} ^ r} $用于在有监督的方式下进行的培训。 不幸的是，由于图像转换本身是一项极富挑战性的任务，因此这些方法的SR性能受到生成的合成LR图像和实际LR图像之间的域间隙的严重限制。 在本文中，我们提出了一种用于无监督的现实世界图像SR的新颖的域距离感知超分辨率（DASR）方法。 训练数据（例

关于PyTorch 1.2.0 现在，master分支默认支持PyTorch 1.2.0。 由于严重的版本问题（尤其是torch.utils.data.dataloader），MDSR功能被暂时禁用。 如果您必须训练/评估MDSR模型，请使用旧版分支。 EDSR-PyTorch 关于PyTorch 1.1.0 1.1.0更新进行了较小的更改。 现在，我们默认情况下支持PyTorch 1.1.0，如果您喜欢旧版本，请使用旧版分支。 该存储库是CVPRW 2017，第二版NTIRE的PyTorch官方实现，其论文为“用于单图像超分辨率的增强型深度残差网络” 。 您可以从找到原始代码和更多信息。 如果您发现我们的工作对您的研究或出版物有用，请引用我们的工作： [1] Bee Lim，Sanghyun Son，Heewon Kim，Seungjun Nah和Kyoung Mu Lee

针对目前卷积神经网络的超分辨率算法存在卷积层数少、模型简单、计算量大、收敛速度慢以及图像纹理模糊等问题, 提出了一种基于深层残差网络的加速图像超分辨率重建方法, 该方法在提高图像分辨率的同时加快收敛速度。设计更深的卷积神经网络模型来提高精确度, 通过残差学习并且使用Adam优化方法使网络模型加速收敛。在原始低分辨率图像上直接进行特征映射, 只在网络的末端引入子像素卷积层, 将像素进行重新排列, 得到高分辨率图像。实验结果表明, 在set 5, set 14, BSD100测试集上, 所提算法的峰值信噪比与结构相似性指数均高于现有的几种算法, 能够恢复更多的图像细节, 图像边缘也更加完整且收敛速度更快。

论文实验，图像超分辨率重建