图像超分辨率放大

最近更新于 2024-05-05 14:19

原图

下面都是长宽各放大 4 倍

双线性插值（一般使用的放大方法）

EDSR

ESPCN

FSRCNN

LapSRN

本文资源文件下载：https://pan.baidu.com/s/1w1_Yw_yw4KY3EtiiWrhVXg?pwd=mwf4

测试环境：

Ubuntu 22.04 x86_64
Python 3.10.4
opencv-python 4.5.5.64
opencv-contrib-python 4.5.64
jupyter 1.0.0

OpenCV 的 contrib 中提供了基于深度学习的超分辨率图像放大模块 dnn_superres，可以使用四种模型：

地址：https://github.com/opencv/opencv_contrib/tree/4.x/modules/dnn_superres

1.EDSR

论文：Enhanced Deep Residual Networks for Single Image Super-Resolution

放大倍数：x2、x3、x4

优点：高精度

缺点：速度慢，模型文件大

2.ESPCN

论文：Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network

放大倍数：x2、x3、x4

优点：模型体积小、速度快，并且性能仍然不错

缺点：与更新、更强大的模型相比，在视觉上表现更差

3.FSRCNN

论文：Accelerating the Super-Resolution Convolutional Neural Network

放大倍数：x2、x3、x4

优点：快速、小巧

缺点：不够准确

4.LapSRN

论文：Deep laplacian pyramid networks for fast and accurate super-resolution

放大倍数：x2、x4、x8

优点：该模型可以通过一次前向传递进行多尺度超分辨率。它现在可以支持 2x、4x、8x 以及 [2x, 4x] 和 [2x, 4x, 8x] 超分辨率。

缺点：比ESPCN和FSRCNN慢，准确率比EDSR差