PyTorch SRResNet

基于论文《使用生成对抗网络实现照片级真实感单图像超分辨率》（https://arxiv.org/abs/1609.04802）的 PyTorch 实现

使用方法

训练

用法：main_srresnet.py [-h] [--batchSize BATCHSIZE] [--nEpochs NEPOCHS]
                        [--lr LR] [--step STEP] [--cuda] [--resume RESUME]
                        [--start-epoch START_EPOCH] [--threads THREADS]
                        [--pretrained PRETRAINED] [--vgg_loss] [--gpus GPUS]

可选参数：
  -h, --help            显示此帮助信息并退出
  --batchSize BATCHSIZE
                        训练批次大小
  --nEpochs NEPOCHS     训练的总 epoch 数
  --lr LR               学习率。默认值为 1e-4
  --step STEP           每隔 n 个 epoch 将学习率衰减一次，n 默认为 500
  --cuda                是否使用 CUDA？
  --resume RESUME       检查点路径（默认：无）
  --start-epoch START_EPOCH
                        手动指定起始 epoch（重启时有用）
  --threads THREADS     数据加载器使用的线程数，默认为 1
  --pretrained PRETRAINED
                        预训练模型路径（默认：无）
  --vgg_loss            是否使用内容损失？
  --gpus GPUS           GPU ID（默认：0）

训练示例如下：

python main_srresnet.py --cuda --vgg_loss --gpus 0

演示

用法：demo.py [-h] [--cuda] [--model MODEL] [--image IMAGE]
               [--dataset DATASET] [--scale SCALE] [--gpus GPUS]

可选参数：
  -h, --help         显示此帮助信息并退出
  --cuda             是否使用 CUDA？
  --model MODEL      模型路径
  --image IMAGE      图像名称
  --dataset DATASET  数据集名称
  --scale SCALE      缩放因子，默认为 4
  --gpus GPUS        GPU ID（默认：0）

我们使用 Matlab 将 Set5 测试集图像转换为 mat 格式，以便于简单地读取图像。 使用示例如下：

python demo.py --model model/model_srresnet.pth --dataset Set5 --image butterfly_GT --scale 4 --cuda

评估

用法：eval.py [-h] [--cuda] [--model MODEL] [--dataset DATASET]
               [--scale SCALE] [--gpus GPUS]

可选参数：
  -h, --help         显示此帮助信息并退出
  --cuda             是否使用 CUDA？
  --model MODEL      模型路径
  --dataset DATASET  数据集名称，默认为 Set5
  --scale SCALE      缩放因子，默认为 4
  --gpus GPUS        GPU ID（默认：0）

我们同样使用 Matlab 将 Set5 测试集图像转换为 mat 格式。由于 PSNR 仅在 Y 通道上计算，因此我们在 Python 中导入 MATLAB 库，并使用 rgb2ycbcr 函数将 RGB 图像转换为 YCbCr 图像。您需要先设置 MATLAB 的 Python 接口才能成功导入 MATLAB 库。 使用示例如下：

python eval.py --model model/model_srresnet.pth --dataset Set5 --cuda

准备训练数据集

• 请参考 数据生成代码 来创建训练文件。
• 数据增强包括翻转、旋转和降采样等操作。

性能

• 我们提供了一个在 291 张图像上训练，并进行了数据增强的预训练模型。
• 为了获得更好的性能，我们使用实例归一化替代了批量归一化。
• 目前 PSNR 指标尚未达到论文中的水平，欢迎提出改进建议。

数据集	SRResNet 论文	SRResNet PyTorch
Set5	32.05	31.80
Set14	28.49	28.25
BSD100	27.58	27.51

结果

从左至右依次为真实图像、双三次插值结果和 SRResNet 处理结果。

pytorch-SRResNet 快速上手指南

本指南基于论文《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》的 PyTorch 实现，帮助用户快速部署 SRResNet 进行单图像超分辨率重建。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux 或 macOS (Windows 需配置相应 CUDA 环境)
• Python: 推荐 Python 3.6+
• 深度学习框架: PyTorch (建议安装支持 CUDA 的版本以加速训练和推理)
• 依赖库:
  • torchvision
  • Pillow
  • h5py (用于读取处理后的数据集)
  • matlabengine (仅评估 PSNR 时需要，用于调用 Matlab 接口进行 Y 通道转换，若仅需推理可忽略)

前置依赖安装命令：

pip install torch torchvision Pillow h5py
# 如需评估指标且已安装 Matlab，需额外配置 matlabengine
# pip install matlabengine

安装步骤

1. 克隆项目代码

   git clone https://github.com/twtygqyy/pytorch-SRResNet.git
   cd pytorch-SRResNet
   

2. 准备数据集

   • 训练数据: 参考项目 data 目录下的脚本生成训练文件。项目采用了翻转、旋转和下采样等数据增强策略。
     • 数据来源参考: 291 张图片数据集
   • 测试数据: 评估脚本默认使用 Set5 数据集。需注意，官方脚本要求将测试集图片转换为 .mat 格式（原文建议使用 Matlab 转换）。

3. 下载预训练模型（可选） 项目提供了一个在 291 张图片上训练并使用 Instance Normalization 优化的预训练模型。您可以将其放置在 model/ 目录下，命名为 model_srresnet.pth。

基本使用

1. 图像超分推理 (Demo)

使用预训练模型对单张图像进行 4 倍超分辨率重建。

示例命令：

python demo.py --model model/model_srresnet.pth --dataset Set5 --image butterfly_GT --scale 4 --cuda

• --model: 预训练模型路径。
• --image: 输入图像名称（不含后缀，需位于对应数据集文件夹）。
• --scale: 放大倍数，默认为 4。
• --cuda: 启用 GPU 加速。

2. 模型评估 (Eval)

在标准数据集（如 Set5）上评估模型的 PSNR 指标。 注意：此步骤需要配置 Matlab Python 接口以正确计算 Y 通道 PSNR。

示例命令：

python eval.py --model model/model_srresnet.pth --dataset Set5 --cuda

3. 模型训练 (Training)

从头开始训练或使用预训练权重微调。本项目使用 Instance Normalization 替代 Batch Normalization 以提升效果。

示例命令（启用 VGG 感知损失）：

python main_srresnet.py --cuda --vgg_loss --gpus 0

常用参数说明：

• --batchSize: 训练批次大小。
• --nEpochs: 训练总轮数。
• --lr: 学习率，默认 1e-4。
• --resume: 加载检查点继续训练的路径。
• --pretrained: 加载预训练模型的路径。
• --vgg_loss: 启用内容损失（Content Loss）。