深度学习之超分辨率重建技术(Super-Resolution)总结:从 SRCNN 到 WDSR

1、前言

超分辨率重建技术(Super-Resolution)是指从观测到的低质量、低分辨率图像重建出相应的高质量、高分辨率图像。高分辨率图像意味着图像具有更多的细节信息、更细腻的画质,这些细节在高清电视、医学成像、遥感卫星成像等领域有着重要的应用价值。

Super-Resolution 可分为两类:从多张低分辨率图像重建出高分辨率图像、从单张低分辨率图像重建出高分辨率图像。基于深度学习的 Super-Resolution ,主要是基于单张低分辨率的重建方法,即Single Image Super-Resolution (SISR)。

Super-Resolution 的发展历程为:

SRCNN[1] → VDSR[2] → DRCN[3]→ ESPCN[4] → SRGAN[5] → EDSR[6] → DBPN[7] → WDSR[8]

博主注:在网络详解中分别给出了对应的代码实现,在参考论文中分别给出了对应的论文PDF。论文的压缩包在超分辨率重建.zip

2、网络详解

2.1、SRCNN 😃

代码:

  • (caffe)http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html
    在这里插入图片描述
2.2、VDSR 😃

代码:

  • (pytorch): https://github.com/twtygqyy/pytorch-vdsr
    在这里插入图片描述
2.3、DRCN 😃

代码:

  • https://cv.snu.ac.kr/research/DRCN/
    在这里插入图片描述
2.4、ESPCN 😃

代码:

  • (TensorFlow): https://github.com/Tetrachrome/subpixel
    在这里插入图片描述
2.5、SRGAN 😃

代码:

  • (TensorFlow): https://github.com/zsdonghao/SRGAN

  • (TensorFlow): https://github.com/buriburisuri/SRGAN

  • (caffe): https://github.com/ShenghaiRong/caffe_srgan

  • (TensorFlow): https://github.com/brade31919/SRGAN-tensorflow

  • (keras): https://github.com/titu1994/Super-Resolution-using-Generative-Adversarial-Networks

  • (pytorch): https://github.com/aitorzip/PyTorch-SRGAN
    在这里插入图片描述

2.6、EDSR 😃

代码:

  • (TensorFlow): https://github.com/jmiller656/EDSR-Tensorflow

  • (pytorch): https://github.com/thstkdgus35/EDSR-PyTorch
    在这里插入图片描述

2.7、DBPN 😃

代码:

  • (caffe): https://github.com/alterzero/DBPN-caffe

  • (pytorch): https://github.com/alterzero/DBPN-Pytorch

在这里插入图片描述

2.8、WDSR 😃

代码:

  • (pytorch):https://github.com/JiahuiYu/wdsr_ntire2018
    在这里插入图片描述在这里插入图片描述

3、参考论文

4、未来计划

未来我将会逐步复现上述八个论文,会写一写博客详解一下论文结构和关键技术以及实现等等,期待一下自己的课题完美收官。😃😃😃😃😃😃😃😃

如果想要更多的资源,欢迎关注 @我是管小亮,文字强迫症MAX~

回复【福利】即可获取我为你准备的大礼,包括C++,编程四大件,NLP,深度学习等等的资料。

想看更多文(段)章(子),欢迎关注微信公众号「程序员管小亮」~

在这里插入图片描述

评论 15
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

我是管小亮

一口吃掉你的打赏,嗝~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值