DPSR

Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels（CVPR, 2019）

• 相关工作：DPIR

超分辨率先验模型的训练与测试代码（基于 PyTorch）

• main_train_dpsr.py

• main_test_dpsr.py

---

左侧为模糊的低分辨率（LR）图像，右侧为 DPSRGAN 在放大因子为 4 时生成的超分辨率图像。

运行 demo_test_dpsr.py 即可复现以下结果。

---

对低分辨率图像 chip.png 使用 DPSR 方法，在放大因子分别为 2、3 和 4 时得到的超分辨率结果。

运行 demo_test_dpsr_real.py 即可复现以下结果。

LR

x2

x3

x4

依赖环境

• Spyder（Python 3.6）
• PyTorch 0.4.1
• Windows 10

引用

@inproceedings{zhang2019deep,
  title={Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels},
  author={Zhang, Kai and Zuo, Wangmeng and Zhang, Lei},
  booktitle={IEEE Conference on Computer Vision and Pattern Recognition},
  pages={1671--1681},
  year={2019}
}

DPSR 快速上手指南

DPSR（Deep Plug-and-Play Super-Resolution）是一个支持任意模糊核的超分辨率重建工具，适用于真实场景图像增强。

环境准备

• 操作系统：Windows 10（官方测试环境，Linux/macOS 可能兼容但未验证）
• Python 版本：3.6
• 核心依赖：
  • PyTorch 0.4.1
  • Spyder（可选，仅用于开发调试）

💡 建议使用 Anaconda 创建独立环境，并通过国内镜像源加速安装。

安装步骤

1. 克隆主仓库（包含训练/测试代码）：

git clone https://github.com/cszn/KAIR.git

2. 进入项目目录并安装依赖（推荐使用清华源加速）：

cd KAIR
pip install torch==0.4.1 torchvision==0.2.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

3. （可选）安装其他基础库：

pip install numpy opencv-python matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

示例 1：测试合成模糊图像的超分效果

运行预设 demo，对 BSD68 数据集中的图像进行 ×4 超分：

python demo_test_dpsr.py

结果将保存在 testsets/BSD68/x4_m_dpsrgan/ 目录下。

示例 2：处理真实低分辨率图像

对真实图像（如 chip.png）进行多尺度（×2/×3/×4）超分：

python demo_test_dpsr_real.py

输出结果位于 testsets/real_imgs/x4_dpsr/。

📌 注意：首次运行会自动下载预训练模型（约数百 MB），建议确保网络畅通或手动放置模型至 model_zoo/ 目录。