【PyTorch项目实战】超分RCAN:使用非常深的残差通道注意力网络实现图像超分辨率 —— (自研)解决了RCAN恢复图像的模糊性

文章目录

  • 一、论文详解
    • 1.1、项目背景
    • 1.2、研究现状
    • 1.3、论文核心
    • 1.4、网络模型(RCAN,Residual Channel Attention Networks)
      • 1.4.1、残差中的残差(RIR,Residual In Residual):由 G 个残差组(RG)和 1 条长跳跃连接(LSC)组成;每个RG由 B 个残差通道注意力块(RCAB)和 1 条短跳跃连接(SSC)组成;每个RCAB由 1 个通道注意力(CA)和 1 个残差块(RB)组成,每个RB具有 1 条短跳跃链接。
      • 1.4.2、通道注意力(CA,Channel Attention)
      • 1.4.3、残差通道注意力块(RCAB,Residual Channel Attention Blocks)
    • 1.5、数据集 + 前处理
    • 1.6、模型参数
    • 1.7、研究结果
      • (基础)指标参数:PSNR + SSIM
      • (基础)降质方法:BI + BD
      • (1)RIR 和 CA 的性能测试(对比表)
      • (2)使用双三次插值(BI)退化模型的结果(对比图)
      • (3)使用模糊降采样(BD)退化模型的结果(对比图)
      • (4)性能与识别能力(对比表)
      • (5)性能与模型大小(对比图)
    • 1.8、RCAN恢复的图像具有一定的模糊性(自测经验 + 解决方案)
      • (1)主要因素:模型架构
      • (2)图像前处理:LR-HR 配对数据的质量
        • LR-HR 配准数据是否对齐(仅限于自提供数据对,而不是通过 HR 下采样得到 LR)
        • HR 分辨率质量(采用图像增强提升 HR 图像分辨率,可以显著提升超分效果)
        • 归一化方法(min和max使用固定值) + 切块预测(归一化的影响)
      • (3)模型训练:不同损失函数对 SR 的影响
      • (4)图像后处理
  • 二、项目实战
    • 2.1、虚拟环境
    • 2.2、环境配置
      • 方法一:RCAN开源代码:默认支持 PyTorch 1.2.0 —— 官方已移除(不建议)
      • 方法二:basicSR开源代码:是一个集成了多种超分模型的工具 —— 建议
    • 2.3、basicSR:RCAN 网络模型 —— 用于理解模型架构,可跳过
    • 2.4、basicSR:模型训练 + 模型测试
      • (1)配置文件(参数详解):train_RCAN_x2.yml
      • (2)配置文件(参数详解):test_RCAN.yml
    • 2.5、basicSR:结果展示
    • 2.6、basicSR:剪枝 —— 加速推理
      • (1)影响和经验:残差组数(num_group) + 残差块数(num_block)
      • (2)影响和经验:特征通道数(num_feat)
    • 2.7、basicSR:通量 —— MB/s
      • (1)basicSR:参数测试
      • (2)basicSR:TensorRT加速

论文阅读
残差通道注意力网络 RCAN

一、论文详解

  • 中文:使用非常深的残差通道注意力网络实现图像超分辨率
  • 论文:Image Super-Resolution Using Very Deep Residual Channel Attention Network

你可能感兴趣的:(深度学习,PyTorch项目实战,python,残差网络,resnet,超分辨率重建,RCAN)