SRCNN

本仓库是论文《基于深度卷积网络的图像超分辨率重建》（arXiv:1501.00092）的实现。

与原文的区别

• 增加了零填充
• 使用Adam优化器代替SGD
• 移除了权重初始化

环境要求

• PyTorch 1.0.0
• Numpy 1.15.4
• Pillow 5.4.1
• h5py 2.8.0
• tqdm 4.30.0

训练

已转换为HDF5格式的91张图像数据集和Set5数据集可从以下链接下载：

数据集	缩放倍数	类型	链接
91张图像	2	训练	下载
91张图像	3	训练	下载
91张图像	4	训练	下载
Set5	2	评估	下载
Set5	3	评估	下载
Set5	4	评估	下载

此外，您也可以使用prepare.py来创建自定义数据集。

python train.py --train-file "BLAH_BLAH/91-image_x3.h5" \
                --eval-file "BLAH_BLAH/Set5_x3.h5" \
                --outputs-dir "BLAH_BLAH/outputs" \
                --scale 3 \
                --lr 1e-4 \
                --batch-size 16 \
                --num-epochs 400 \
                --num-workers 8 \
                --seed 123                

测试

预训练权重可从以下链接下载：

模型	缩放倍数	链接
9-5-5	2	下载
9-5-5	3	下载
9-5-5	4	下载

结果将保存在与查询图像相同的路径中。

python test.py --weights-file "BLAH_BLAH/srcnn_x3.pth" \
               --image-file "data/butterfly_GT.bmp" \
               --scale 3

结果

我们使用了论文中的网络设置进行实验，即：。

PSNR是在Y通道上计算的。

Set5

评估图像	缩放倍数	SRCNN	SRCNN（我们的实现）
PSNR	2	36.66	36.65
PSNR	3	32.75	33.29
PSNR	4	30.49	30.25

原图	BICUBIC ×3	SRCNN ×3（27.53 dB）
原图	BICUBIC ×3	SRCNN ×3（29.30 dB）
原图	BICUBIC ×3	SRCNN ×3（28.58 dB）

SRCNN-pytorch 快速上手指南

SRCNN 是基于深度卷积网络的图像超分辨率经典模型。本仓库提供了该论文的 PyTorch 实现，支持训练与测试。

环境准备

在开始之前，请确保您的系统已安装 Python 3 和 PyTorch。本项目主要依赖以下库：

• PyTorch >= 1.0.0
• Numpy
• Pillow
• h5py
• tqdm

建议使用 pip 进行安装。国内用户可使用清华源或阿里源加速下载：

pip install torch numpy pillow h5py tqdm -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

本项目无需复杂的编译过程，直接克隆仓库即可使用：

git clone https://github.com/your-repo/SRCNN-pytorch.git
cd SRCNN-pytorch

(注：请将上述 git 地址替换为实际的项目仓库地址)

基本使用

1. 快速测试（使用预训练模型）

这是最简单的使用方式。首先下载预训练权重文件（以放大倍数 3 为例）：

模型架构	放大倍数	下载链接
9-5-5	x2	下载 srcnn_x2.pth
9-5-5	x3	下载 srcnn_x3.pth
9-5-5	x4	下载 srcnn_x4.pth

将下载的 .pth 文件放入项目目录后，运行以下命令对单张图片进行超分辨率处理：

python test.py --weights-file "srcnn_x3.pth" \
               --image-file "data/butterfly_GT.bmp" \
               --scale 3

• --weights-file: 预训练权重文件路径。
• --image-file: 待处理的低分辨率图片路径。
• --scale: 放大倍数（2, 3, 或 4）。

处理结果将保存在与输入图片相同的路径下。

2. 模型训练（可选）

如需从头训练模型，需先准备 HDF5 格式的数据集。你可以从下方链接下载转换好的 91-image (训练集) 和 Set5 (评估集)：

• 训练集 (91-image): x2 | x3 | x4
• 评估集 (Set5): x2 | x3 | x4

下载完成后，使用以下命令启动训练（以 scale=3 为例）：

python train.py --train-file "91-image_x3.h5" \
                --eval-file "Set5_x3.h5" \
                --outputs-dir "outputs" \
                --scale 3 \
                --lr 1e-4 \
                --batch-size 16 \
                --num-epochs 400 \
                --num-workers 8 \
                --seed 123

若需使用自定义数据集，可运行 python prepare.py 进行数据预处理。