GitHub - whx-sjtu/SuperResolutionWithSubPixelConvLayer: 使用带子像素卷积层的卷积神经网络实现单图像超分辨率

whx-sjtu / SuperResolutionWithSubPixelConvLayer Public

Notifications You must be signed in to change notification settings
Fork 0
Star 4

使用带子像素卷积层的卷积神经网络实现单图像超分辨率

Notifications

Name		Name	Last commit message	Last commit date
Latest commit History 10 Commits
__pycache__		__pycache__
data		data
epochs		epochs
meta_epochs		meta_epochs
plots		plots
results		results
GUI.py		GUI.py
README.txt		README.txt
data_generate.py		data_generate.py
data_utils.py.bak		data_utils.py.bak
meta_test.py		meta_test.py
meta_train.py		meta_train.py
meta_train.py.bak		meta_train.py.bak
model.py		model.py
psnrmeter.py		psnrmeter.py
test_image.py		test_image.py
test_image.py.bak		test_image.py.bak
train.py		train.py
train.py.bak		train.py.bak

Repository files navigation

源码内容介绍：
model.py：定义了SPCNN的网络结构
train.py：深度学习的训练
test_image.py：深度学习结果测试
meta_train.py：元学习训练
meta_test.py：元学习结果测试
data_generate.py：生成训练用数据集以及一些训练用到的工具方法
psnrmeter.py：用于计算PSNR值的工具类
GUI.py：简单的图形界面，用户调用
使用说明：
1.将要深度学习训练数据集放入data/VOC2012目录下，将元学习训练任务
放到data/meta_train目录下

2.将要放大的低分辨率图像放在data/test/SRF_x(x为相应的放大倍数)

3.调用data_utils.py生成深度学习训练用数据集
可选参数：upscale_factor(放大倍率)

4.调用train.py对SPCNN进行训练，训练得到的模型存于epochs/目录下，训练过程中的可视化图像存于plots/目录下
可选参数：upscale_factor(放大倍率), num_epochs(训练轮数)

5.调用test_image.py进行测试，测试结果自动放入results/SRF_x目录下
可选参数：upscale_factor(放大倍率), model_name(模型名称)

（或者运行GUI.py，根据相应按钮进行操作）

元学习测试说明：
1.运行meta_train.py进行元学习训练
2.运行meta_test.py进行元学习测试
（元学习部分未设置可选参数与图形界面）