超分辨率示例

• 实现了 "使用生成对抗网络进行照片级单张图像超分辨率"

• 如需早期版本，请查看 srgan 发布 和 tensorlayer。

• 更多计算机视觉应用，请参阅 TLXCV

SRGAN 架构

准备数据与预训练 VGG

• 1. 您需要在此处下载预训练的 VGG19 模型权重：链接。
• 2. 您需要准备用于训练的高分辨率图像。
  • 在本实验中，我使用了 DIV2K - 双三次下采样 x4 竞赛 的图像，因此 config.py 中的超参数（如 epoch 数）是基于该数据集选择的。如果您使用更大的数据集，可以适当减少 epoch 数。
  • 如果您不想使用 DIV2K 数据集，也可以使用 Yahoo MirFlickr25k，只需在 main.py 中使用 train_hr_imgs = tl.files.load_flickr25k_dataset(tag=None) 即可下载。
  • 如果您想使用自己的图像，可以在 config.py 中通过 config.TRAIN.hr_img_path 设置您的图像文件夹路径。

运行

🔥🔥🔥🔥🔥🔥 首先需要安装 TensorLayerX！

🔥🔥🔥🔥🔥🔥 请通过源码安装 TensorLayerX：

pip install git+https://github.com/tensorlayer/tensorlayerx.git 

训练

• 在 config.py 中设置您的图像文件夹路径。如果您下载了 DIV2K - 双三次下采样 x4 竞赛 的数据集，则无需更改。
• 其他 DIV2K 数据集的下载链接如下，以防您找不到：test_LR_bicubic_X4、train_HR、train_LR_bicubic_X4、valid_HR、valid_LR_bicubic_X4。

config.TRAIN.img_path = "your_image_folder/"

您的目录结构应如下所示：

srgan/
    └── config.py
    └── srgan.py
    └── train.py
    └── vgg.py
    └── model
          └── vgg19.npy
    └── DIV2K
          └── DIV2K_train_HR
          ├── DIV2K_train_LR_bicubic
          ├── DIV2K_valid_HR
          └── DIV2K_valid_LR_bicubic

• 开始训练。

python train.py

🔥 修改 train.py 中的一行代码，即可轻松切换到任何框架！

import os
os.environ['TL_BACKEND'] = 'tensorflow'
# os.environ['TL_BACKEND'] = 'mindspore'
# os.environ['TL_BACKEND'] = 'paddle'
# os.environ['TL_BACKEND'] = 'pytorch'

🚧 我们将很快支持 PyTorch 作为后端。

评估。

🔥 我们已在 DIV2K 数据集上训练了 SRGAN。 🔥 下载模型权重如下。

	SRGAN_g	SRGAN_d
TensorFlow	百度网盘、Google Drive	百度网盘、Google Drive
PaddlePaddle	百度网盘、Google Drive	百度网盘、Google Drive
MindSpore	🚧即将推出！	🚧即将推出！
PyTorch	🚧即将推出！	🚧即将推出！

下载权重文件，并将其放入 srgan/models/ 文件夹中。

您的目录结构应如下所示：

srgan/
    └── config.py
    └── srgan.py
    └── train.py
    └── vgg.py
    └── model
          └── vgg19.npy
    └── DIV2K
          ├── DIV2K_train_HR
          ├── DIV2K_train_LR_bicubic
          ├── DIV2K_valid_HR
          └── DIV2K_valid_LR_bicubic
    └── models
          ├── g.npz  # 您需要重命名权重文件。
          └── d.npz  # 如果您设置了 os.environ['TL_BACKEND'] = 'tensorflow'，则应将 srgan-g-tensorflow.npz 重命名为 g.npz。

• 开始评估。

python train.py --mode=eval

结果将保存在 srgan/samples/ 文件夹中。

结果

参考文献

• [1] 使用生成对抗网络进行照片级单张图像超分辨率
• [2] 反卷积层是否等同于卷积层？

引用

如果您觉得本项目有用，我们非常感谢您引用 TensorLayer 的论文：

@article{tensorlayer2017,
author = {董浩、苏普拉塔克·阿卡拉、罗迈、刘方德、奥赫米申·阿克塞尔、余思淼、郭一科},
journal = {ACM Multimedia},
title = {{TensorLayer: 一个多功能库，用于高效深度学习开发}},
url = {http://tensorlayer.org},
year = {2017}
}

@inproceedings{tensorlayer2021,
  title={TensorLayer 3.0：一个兼容多种后端的深度学习库},
  author={赖成、韩嘉荣、董浩},
  booktitle={2021 IEEE 国际多媒体与博览会研讨会 (ICMEW)},
  pages={1–3},
  year={2021},
  organization={IEEE}
}

其他项目

• 风格迁移
• 姿态估计

讨论

• TensorLayer Slack
• TensorLayer 微信群

许可证

• 仅限学术和非商业用途。
• 如需商业用途，请联系 tensorlayer@gmail.com。

SRGAN 快速上手指南

SRGAN (Super-Resolution Generative Adversarial Network) 是一个基于生成对抗网络的单图像超分辨率工具，能够将低分辨率图像重建为逼真的照片级高分辨率图像。本指南基于 TensorLayerX 实现，支持多种深度学习后端。

环境准备

• 系统要求：Linux / macOS / Windows
• Python 版本：建议 Python 3.7+
• 核心依赖：
  • TensorLayerX (必须从源码安装)
  • 深度学习后端：TensorFlow (默认), PaddlePaddle, MindSpore 或 PyTorch (部分支持中)
• 数据准备：
  • 预训练 VGG19 权重：下载链接 (Google Drive)
  • 训练数据集：推荐使用 DIV2K 或 Yahoo MirFlickr25k。也可使用自定义图片文件夹。

安装步骤

1. 克隆项目代码

   git clone https://github.com/tensorlayer/srgan.git
   cd srgan
   

2. 安装 TensorLayerX (关键步骤) 请务必通过源码安装最新版本的 TensorLayerX：

   pip install git+https://github.com/tensorlayer/tensorlayerx.git 
   

3. 配置模型权重与数据

   • 将下载的 vgg19.npy 放入 model/ 目录。
   • 若使用 DIV2K 数据集，请确保目录结构如下（或在 config.py 中修改路径）：

     srgan/
         ├── config.py
         ├── model/
         │   └── vgg19.npy
         └── DIV2K/
             ├── DIV2K_train_HR
             ├── DIV2K_train_LR_bicubic
             ├── DIV2K_valid_HR
             └── DIV2K_valid_LR_bicubic
     

基本使用

1. 切换深度学习后端 (可选)

默认使用 TensorFlow。如需切换其他框架，请编辑 train.py 文件顶部的环境变量设置：

import os
os.environ['TL_BACKEND'] = 'tensorflow'
# os.environ['TL_BACKEND'] = 'mindspore'
# os.environ['TL_BACKEND'] = 'paddle'
# os.environ['TL_BACKEND'] = 'pytorch'

2. 开始训练

修改 config.py 中的 config.TRAIN.hr_img_path 指向你的高清图片文件夹（若使用默认 DIV2K 结构则无需修改）。

运行训练命令：

python train.py

3. 模型评估 (推理)

如果你只想使用预训练模型进行超分辨率重建：

1. 下载预训练权重： 根据你选择的后端，从 README 提供的链接下载 SRGAN_g (生成器) 和 SRGAN_d (判别器) 权重文件。

   • 注意：需将文件名重命名为 g.npz 和 d.npz 并放入 models/ 目录。
   • 例如 TensorFlow 用户：将 srgan-g-tensorflow.npz 重命名为 g.npz。

2. 执行评估：

   python train.py --mode=eval
   

3. 查看结果： 生成的超分辨率图像将保存在 srgan/samples/ 目录下。