Real-ESRGAN

基于自定义数据集训练的 Real-ESRGAN 模型的 PyTorch 实现。与原版相比，该模型在人脸图像上表现更佳，并且更容易集成到您的项目中。

这并非官方实现。我们部分使用了 原始仓库 中的代码。

Real-ESRGAN 是对 ESRGAN 的升级版本，它使用纯合成数据进行训练，能够在增强细节的同时去除常见真实世界图像中的恼人伪影。

您可以在 Google Colab 中试用：

• 论文（Real-ESRGAN：使用纯合成数据训练真实世界盲超分辨率）
• 原始实现
• Hugging Face 🤗

安装

pip install git+https://github.com/sberbank-ai/Real-ESRGAN.git

使用

---

基本用法：

import torch
from PIL import Image
import numpy as np
from RealESRGAN import RealESRGAN

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

model = RealESRGAN(device, scale=4)
model.load_weights('weights/RealESRGAN_x4.pth', download=True)

path_to_image = 'https://oss.gittoolsai.com/images/ai-forever_Real-ESRGAN_readme_23e7ad5bd0ff.png'
image = Image.open(path_to_image).convert('RGB')

sr_image = model.predict(image)

sr_image.save('https://oss.gittoolsai.com/images/ai-forever_Real-ESRGAN_readme_4a8ae728009a.png')

示例

---

低质量图像：

Real-ESRGAN 处理结果：

---

低质量图像：

Real-ESRGAN 处理结果：

---

低质量图像：

Real-ESRGAN 处理结果：

Real-ESRGAN 快速上手指南

Real-ESRGAN 是一个基于 PyTorch 的图像超分辨率模型，专为真实世界图像设计。相比原版，该版本在人脸细节修复上表现更佳，且更易于集成到项目中。它能够有效去除伪影并增强图像细节。

环境准备

• 系统要求：支持 Linux、macOS 或 Windows。
• 硬件建议：推荐使用 NVIDIA GPU 以获得最佳推理速度（需安装 CUDA），CPU 亦可运行但速度较慢。
• 前置依赖：
  • Python 3.7+
  • PyTorch
  • Pillow (PIL)
  • NumPy

提示：国内用户建议在安装 PyTorch 时使用清华或中科大镜像源，以加速下载。例如： pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

直接使用 pip 从 GitHub 仓库安装最新版本：

pip install git+https://github.com/sberbank-ai/Real-ESRGAN.git

注意：如果直接连接 GitHub 较慢，可尝试配置 Git 代理或使用国内代码托管平台的镜像（如有）。

基本使用

以下是最简单的 Python 调用示例，可实现 4 倍超分辨率重建：

import torch
from PIL import Image
import numpy as np
from RealESRGAN import RealESRGAN

# 自动检测并使用 GPU，若无则使用 CPU
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# 初始化模型，设置放大倍率为 4
model = RealESRGAN(device, scale=4)

# 加载预训练权重（设置 download=True 会自动下载）
model.load_weights('weights/RealESRGAN_x4.pth', download=True)

# 读取低分辨率图像
path_to_image = 'inputs/lr_image.png'
image = Image.open(path_to_image).convert('RGB')

# 执行超分辨率预测
sr_image = model.predict(image)

# 保存结果
sr_image.save('results/sr_image.png')

运行上述代码后，处理完成的高清图片将保存在 results/ 目录下。