DPIR:使用Deep Denoiser Prior(PyTorch)进行即插即用的图像还原

时间:2024-05-21 07:52:02
【文件属性】:

文件名称:DPIR:使用Deep Denoiser Prior(PyTorch)进行即插即用的图像还原

文件大小:6.96MB

文件格式:ZIP

更新时间:2024-05-21 07:52:02

super-resolution plug-and-play denoising demosaicing Python

深度即插即用的图像还原 ,,,,瑞士苏黎世联邦理工学院 [] BSD68和Urban100数据集的去噪结果 数据集 噪音等级 FFDNet-PSNR(RGB) FFDNet-PSNR(Y) DRUNet-PSNR(RGB) DRUNet-PSNR(Y) CBSD68 30 30.32 32.05 30.81 32.44 CBSD68 50 27.97 29.65 28.51 30.09 都市100 30 30.53 32.72 31.83 33.93 都市100 50 28.05 30.09 29.61 31.57 PSNR(Y) means the PSNR is calculated on the Y channel of YCbCr space. 抽象的 关于即插即用图像恢复的最新工作表明,对于基于模型的方法来解决许多逆问题,


【文件预览】:
DPIR-master
----main_dpir_denoising.py(6KB)
----README.md(4KB)
----utils()
--------test.bmp(192KB)
--------utils_mosaic.py(5KB)
--------utils_sisr.py(24KB)
--------utils_deblur.py(20KB)
--------utils_image.py(25KB)
--------utils_model.py(9KB)
--------utils_csmri.py(8KB)
--------utils_bnorm.py(2KB)
--------utils_inpaint.py(3KB)
--------utils_test.py(9KB)
--------utils_logger.py(2KB)
--------utils_pnp.py(2KB)
----main_dpir_deblur.py(10KB)
----main_dpir_sisr_real_applications.py(9KB)
----LICENSE(1KB)
----main_dpir_sisr.py(13KB)
----kernels()
--------kernels_12.mat(11KB)
--------Levin09.mat(31KB)
--------kernels_bicubicx234.mat(7KB)
----models()
--------network_dncnn.py(6KB)
--------basicblock.py(21KB)
--------network_unet.py(16KB)
----figs()
--------test_03_usrnet_2355.png(166KB)
--------demosaic_1.png(45KB)
--------deblur_1.png(813KB)
--------test_03_noisy_0750.png(352KB)
--------grayscale_psnr.png(76KB)
--------color_psnr.png(86KB)
--------demosaic_2.png(1.61MB)
--------sisr_1.png(725KB)
--------denoiser_arch.png(312KB)
----model_zoo()
--------README.md(1KB)
----main_dpir_demosaick.py(8KB)
----testsets()
--------set5()
--------set3c()
--------set12()

网友评论