文件名称：tf-super_resolution:使用生成的对抗网络实现逼真的单图像超分辨率的Tesorflow实现
文件大小：5.15MB
文件格式：ZIP
更新时间：2024-05-18 13:44:44
Python
Tensorflow中的单图像超分辨率 SRGAN的Tensorflow实现在[1]中提出。 结果 我以这种方式训练了模型： SRResNet的90k迭代（选择：MSE） SRGAN的70k迭代（选择：MSE） SRGAN的40k迭代（选择：VGG_loss） 输入x4（LR，立方） SRResNet（90k，MSE） SRGAN（70k，MSE） SRGAN（40k，VGG） 目标（HR） 为了获得更好的结果，我们应该更多地训练模型的方式，但仍然需要很少的尝试，我们就能取得良好的结果。 请注意，与通过MSE获得的图像相比，VGG丢失图像有时看上去更糟。 这再次是由于迭代次数少，我们可以理解的是，由于VGG丢失，我们开始通过MSE获取更多详细信息。 因此，建议对具有VGG丢失的SRGAN进行更多的培训，以免妨碍更好的结果。 亚像素卷积 升级是在网络的最后一层而不是开始时
【文件预览】：
tf-super_resolution-master
----run_SRGAN.sh(86B)
----results()
--------img_003x4.png(132KB)
--------img_001_SRGAN_MSE_70k_ac.png(473KB)
--------img_001_SRResNet_MSE_90k_ac.png(479KB)
--------img_003.png(22KB)
--------img_005-targets.png(186KB)
--------img_001x4.png(293KB)
--------img_003_SRGAN_VGG_40k_ac.png(579KB)
--------img_005.png(14KB)
--------img_005_SRGAN_VGG_40k_ac.png(211KB)
--------img_005x4.png(123KB)
--------img_003_SRGAN_MSE_70k_ac.png(483KB)
--------img_001_SRGAN_VGG_40k_ac.png(572KB)
--------img_005_SRResNet_MSE_90k_ac.png(182KB)
--------img_001-targets.png(522KB)
--------img_005_SRGAN_MSE_70k_ac.png(184KB)
--------img_003-targets.png(277KB)
--------img_001.png(33KB)
--------img_003_SRResNet_MSE_90k_ac.png(503KB)
----test_reader.py(2KB)
----models()
--------Generator.py(13KB)
--------BaseConvNet.py(9KB)
--------VGG19.py(2KB)
--------Discriminator.py(7KB)
----main_gan.py(15KB)
----utils.py(2KB)
----README.md(6KB)
----data_loader.py(5KB)
----inference_SRGAN.sh(139B)