EDSR模型

源码链接

sanghyun-son/EDSR-PyTorch: PyTorch version of the paper 'Enhanced Deep Residual Networks for Single Image Super-Resolution' (CVPRW 2017)

模型总结

1、模型结构

①一个3x3卷积层，从输入图像中提取初始特征。没有批标准化，以避免分布偏移。

②32个残差块（Residual Blocks）堆叠而成。每个残差块包含：

• 两个3x3卷积层。

• ReLU激活函数（在第一个卷积后）。

• 残差连接（Shortcut Connection）：将输入直接加到输出上。

• 常量缩放层（Scaling Factor，通常0.1）：乘以残差输出，以稳定训练。 此外，还有全局残差连接（Global Skip Connection），将初始特征直接加到主干输出上，进一步简化学习.

③子像素卷积（Sub-Pixel Convolution）或转置卷积进行上采样，将特征图放大到目标分辨率。

2、创新

①移除所有BN层：保留像素绝对强度，减少计算复杂度和内存损耗

②残差缩放机制：残差连接前乘一个缩放因子，稳定训练过程，防止梯度爆炸

模型训练过程

1、下载数据集

①DIV2K数据集：https://data.vision.ee.ethz.ch/cvl/DIV2K/

②数据集结构：超分重建数据集 DIV2K & Flickr2K 下载地址【有效分享】-CSDN博客

该数据集包含训练集800张、验证集100张和测试集100张，测试集暂未公开

③源码中将训练集和验证集放在一个文件夹中，既一个文件夹有900张图片，按option.py中的data_range划分

2、修改option.py

文件中的很多参数都可以根据需要进行修改，常见的参数有：

①--dir_data：DIV2K数据集文件夹所在路径（不包括DIV2K文件夹）

②--dir_demo：测试为demo情况下使用的数据集路径

③--data_range：训练集和验证集范围

④--scale：模型训练/测试的倍数

⑤--patch_size：每张图片分割大小

⑥--pre_train：预训练模型路径

⑦--test_only：仅测试

3、训练模型，参考demo.sh文件，运行main.py文件

①训练scale为2的baseline EDSR模型

--model EDSR --scale 2 --patch_size 96 --save edsr_baseline_x2

②训练scale为3的baseline EDSR模型

--model EDSR --scale 3 --patch_size 144 --save edsr_baseline_x3 --pre_train [预训练的x2模型路径]

③训练scale为4的baseline EDSR模型

​--model EDSR --scale 4 --save edsr_baseline_x4 --pre_train [预训练的x2模型路径]

4、验证，运行main.py

①EDSR模型，基准数据集，各scale同

--model EDSR --scale 2 --data_test Set5+Set14+B100+Urban100+DIV2K --data_range 801-900  --pre_train [预训练的x2模型路径] --test_only --self_ensemble

②自定义数据集

--model EDSR --scale 2 --data_test demo --pre_train [预训练的x2模型路径] --test_only --save_results --dir_demo [测试图片路径]

模型结果

1、图片对比（x4结果）

①0853

②0824

③0840

2、参数对比

模型	EDSR_baseline_x2	EDSR_baseline_x3	EDSR_baseline_x4
PSNR	34.553dB	30.899dB	28.933dB