图像超分辨率重建（pytorch）(图像超分辨率重建数据集)

推荐整理分享图像超分辨率重建（pytorch）(图像超分辨率重建数据集)，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:图像超分辨率重建经典论文,图像超分辨率重构,图像超分辨率重建数据集,图像超分辨率重建算法,图像超分辨率重建算法,图像超分辨率重建,图像超分辨率重建,图像超分辨率重建经典论文,内容如对您有帮助，希望把文章链接给更多的朋友！

         本文代码主体来自CVPR2020论文《Closed-loop matters: Dual regression networks for single image super-resolution》,但原作者并未提供论文亮点--如何使用unpair数据进行训练的代码，所以我在其基础上补齐了该过程的代码。

        代码仓库：https://github.com/VitaminyW/Super_Solution

        PS：对代码存在问题可以通过私信或评论区提问。

为了训练模型实现8倍超分，本工作中使用BICUBIC算法对高清图像进行下采样8倍，从而获得作为网络输入的低分辨率图像。

BICUBIC算法：双三次插值又称立方卷积插值。三次卷积插值是一种更加复杂的插值方式。该算法利用待采样点周围16个点的灰度值作三次插值，不仅考虑到4个直接相邻点的灰度影响，而且考虑到各邻点间灰度值变化率的影响。其权重函数如下所示，

       其中a=-0.5，x为待插值点与插值点的距离。插值过程可由下式所示，

       其中代表距离待插值点的像素值。

图1. 0200.png下采图像展示

图2.DRN网络结构图

      在超分辨率问题中，存在着两个问题：

      a. 从超分辨率图像到低分辨率图像存在着非常多种下采样方式，即真实世界的低分辨率图像形成的原因多种多样。

      b. 深度学习是一种基于数据的学习方式，若数据集的输入是由某种特定下采方式得到的，则模型可能会学习到该特定下采方式的伪逆。

      a. 正向过程

           网络通过借鉴UNet网络的结构方式，通过多级下采样提取图像特征，并通过concat方式结合原有图像特征与上采特征图进行上采样，从而产生多个高分辨率图像。若网络存在3个层级，则每个层级分别对应1倍、2倍以及4倍分辨率重建网络。最后通过MSE或MAE损失函数可以促使网络学习如何进行正向重建。

      b. 对偶过程

           正向过程是求解由低分辨率到高分辨率的解，即该问题解空间较大，所以需要较为复杂的网络结构。对偶过程指在学习数据中由高分辨率到低分辨率的下采过程，该过程解空间较小，可以使用较为简单的网络结构进行学习。

      c. 半监督学习

           由于对偶过程输入的为网络重建出来的高分辨率图像，其学习标签为低分辨率图像，所以该过程不依赖于是否拥有真实超分标签，从而网络可以进行半监督学习。

      d. 损失函数

        其中表示第i张低分辨率图像，表示第张高分辨率图像，代表网络重建，分别代表正向过程和反向过程的评估函数，代表指示是否有对应的的函数，若有为1，否则为0. 由函数，在编程中易得pair数据与unpair数据分别计算损失函数进行反向传播。

3.1.1 构建数据集，数据集结构如下图所示：

下采样代码位于代码目录的dataProcessing.ipynb

图3. 数据集结构

3.1.2 设置option.py文件

        将--data_dir,--data_train,--data_val参数修改为对应数据集路径与名称。也可选择通过命令行输入。

3.1.3 运行训练代码

        使用终端打开main.py所在文件目录，输入以下指令进行训练。

3.1.4 由于原文作者未提供使用unpaired数据进行网络fine-tune代码，本工作根据论文逻辑，编写了 main_fine_tune.py代码，输入以下指令进行训练

3.1.5 由于原文作者未提供重建unpaired数据的代码，本工作根据代码逻辑编写了对应main_reconstruction.py代码，输入指令进行预测。

a. ./experiment/training_result文件夹下：

图4.train输出内容展示

b. ./experiment/fine_tune_result

图5.fine-tune输出内容展示

c. ./reconstruction

图6.reconstrution输出内容展示