SRZoo--基于深度学习的图像超分辨率工具和模型库
前言
今天要介绍的是 Github 上一个基于深度学习的超分辨率工具--SRZoo，并且它还提供了多个预训练模型。Github 地址：
简介
SRZoo 是一个基于深度学习的图像超分辨率的工具和模型库，它提供了多种图像超分辨率领域目前性能最好的预训练模型。
它的主要功能包括：
- SRZoo 提供了多种超分辨率方法的官方预训练模型；
- 通过 SRZoo，可以非常容易就通过提供的超分辨率方法来获取超分辨率(super-resolved)的图片；
- 可以在不同配置环境下使用超分辨率模型，比如支持 CUDA 的 GPUs 以及通过 TensorFlow.js 的浏览器；
- 可以在相同评估标准和环境下对比超分辨率方法的性能。
在下面这篇论文中，你可以了解更多我们的动机以及一些对 SRZoo 的细节描述，比如性能比较等：
J.-H. Choi, J.-H. Kim, J.-S. Lee. SRZoo: an integrated repository for super-resolution using deep learning. IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP), May 2020
论文地址：
https://doi.org/10.1109/ICASSP40776.2020.9054533
arxiv 的地址：
https://arxiv.org/abs/2006.01339
使用要求
- Python3.6 或者更新的版本
- TensorFlow1.12 或者更新版本
预训练的超分辨率模型
下面是提供的一些预训练模型，模型的参数都在自模型算法的作者。如果你有用到这些模型算法，请加上对论文的引用。
image
超分辨率图片检索
在 SRZoo 中通过 get_sr.py 代码提供了一个简单的图像搜索，使用例子：
python get_sr.py --config_path=configs/edsr.json --model_path=edsr_x4.pb --input_path=LR --output_path=SR --scale=4
参数说明：
-
config_path：模型配置文件路径 -
model_path：预训练模型文件路径 -
input_path：输入的低分辨率图片的路径 -
output_path：输出的超分辨率图片的保存路径 -
scale：提高的倍数 -
self_ensemble：指定是否应用geometric self-ensemble方法（http://openaccess.thecvf.com/content_cvpr_2017_workshops/w12/papers/Lim_Enhanced_Deep_Residual_CVPR_2017_paper.pdf） -
cuda_device：指定采用的 GPU 设备索引（需要将环境变量设置为CUDA_VISIBLE_DEVICE)
注意：部分模型由于不同维度顺序问题，只能在 GPU 上运行。
性能评价
在获取到超分辨率图片后，可以通过代码evaluate_sr.py 进行性能的评价，使用例子：
python evaluate_sr.py --sr_path=SR --truth_path=HR
参数说明：
-
sr_path：超分辨率图片路径 -
truth_path：真实图片的路径 -
shave_borders：图像边界需要修正的像素的数量。通常设置为增大尺寸的倍数(upscaling factor) -
color_mode：颜色转换模式。-
ycbcry：YCbCr 颜色空间的 Y 通道 -
RGB：RGB 颜色空间的 RGB 通道
-
-
evaluators：以逗号分隔的评估方法。主要采用文件夹evaluators里的评估方法 -
output_name:输出的 CSV 文件的路径
这里你可以自定义自己的评估方法，通过继承基类BaseEvaluator ，代码是保存在文件夹evaluators/。
模型转换
也可以对其他预训练的超分辨率模型进行转换。详情可以查看文件夹converter 中的信息。另外，根据config 文件夹的内容来编写你需要进行转换的模型的配置信息。
其他
图像降低(downscaling)工具
SRZoo 对于评估超分辨率模型也提供了降低工具(downscaling utilities)，具体可以查看 utils/downscale 文件夹
采用其他的图像处理模型
SRZoo 可以应用于输入输出都是图像的模型，因此也可以在简单做了一些修改后应该其他的图像处理算法。作为一个概念验证，我们提供了一个基于 SRZoo 的预训练图像压缩模型，模型算法来自：
https://github.com/fab-jul/imgcomp-cvpr
使用结果：
image
如果要应用这些模型，可以简单地将 upscaling factor 设置为 1，比如get_sr.py 中的参数--scale。
不过目前只支持在 GPU上运行这些模型。
最近滴滴云推出了多个基于 NVIDIA vGPU 的新型实例，包括计算型、渲染型和游戏型三大类，支持的 GPU包括 Tesla P4、P40、T4 等，可以选择包年、包月或者按照小时购买使用时间，非常灵活方便。
现在填写我的滴滴云专属 AI 大师码：9192，可以享受 9 折优惠。
滴滴云官网地址：
