OSCHINA-MIRROR/TensorLayer-srgan

Примеры сверхразрешения

Мы запускаем этот скрипт под TensorFlow 2.0 и TensorLayer 2.0+. Для версии TensorLayer 1.4, пожалуйста, проверьте релиз.

🚀🚀🚀🚀🚀🚀 ЭТОТ ПРОЕКТ БУДЕТ ЗАКРЫТ И ПЕРЕМЕЩЕН В ЭТУ ПАПКУ ЧЕРЕЗ МЕСЯЦ.

Архитектура SRGAN

TensorFlow-реализация "Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network"

Результаты

### Подготовка данных и предобученной VGG-19 1. Вам нужно скачать предобученную модель VGG19 по [ссылке](https://github.com/tensorlayer/pretrained-models/tree/master/models) как показано в [tutorial_models_vgg19.py](https://github.com/tensorlayer/tensorlayer/blob/master/examples/pretrained_cnn/tutorial_models_vgg19.py). 2. Вам нужны изображения с высоким разрешением для обучения. - В этом эксперименте я использовал изображения из [DIV2K - соревнование по бикубическому уменьшению разрешения x4](http://www.vision.ee.ethz.ch/ntire17/), поэтому гиперпараметры в `config.py` (например, количество эпох) выбраны на основе этого набора данных. Если вы используете больший набор данных, вы можете уменьшить количество эпох. - Если вы не хотите использовать набор данных DIV2K, вы также можете использовать [Yahoo MirFlickr25k](http://press.liacs.nl/mirflickr/mirdownload.html), просто скачайте его с помощью `train_hr_imgs = tl.files.load_flickr25k_dataset(tag=None)` в `main.py`. - Если вы хотите использовать свои собственные изображения, вы можете задать путь к папке с изображениями через `config.TRAIN.hr_img_path` в `config.py`.

Запуск

Установите папку с изображениями в config.py. Если вы скачали DIV2K - соревнование по бикубическому уменьшению разрешения x4, вы не должны менять это.
Другие ссылки для DIV2K, в случае, если вы не можете найти её: test_LR_bicubic_X4, train_HR, train_LR_bicubic_X4, valid_HR.ch/cvl/DIV2K/validation_release/DIV2K_valid_HR.zip), [valid_LR_bicubic_X4](https://data.vision. ee.ethz.ch/cvl/DIV2K/DIV2K_valid_LR_bicubic_X4.zip).```python config.TRAIN.img_path = "ваша_папка_с_изображениями/"


- Начните обучение.

```bash
python train.py

Начните оценку.

python train.py --mode=evaluate

Ссылки

Автор

zsdonghao

Цитирование

Если вы находите этот проект полезным, мы будем признательны, если вы цитируете статью TensorLayer:

@article{tensorlayer2017,
author = {Dong, Hao and Supratak, Akara and Mai, Luo and Liu, Fangde and Oehmichen, Axel and Yu, Simiao and Guo, Yike},
journal = {ACM Multimedia},
title = {{TensorLayer: Библиотека для эффективного разработки глубоких нейронных сетей}},
url = {http://tensorlayer.org},
year = {2017}
}

Другие проекты

Обсуждение

Лицензия

Только для академических и некоммерческих целей.
Для коммерческого использования, пожалуйста, свяжитесь с tensorlayer@gmail.com.