# ESPCN_Learning

**Repository Path**: vegee/ESPCN_Learning

## Basic Information

- **Project Name**: ESPCN_Learning
- **Description**: 超分辨重建的经典论文 《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network》 ，首次提出了用亚像素卷积层对图片进行上采样操作，相比与SRCNN的整体对图片进行上采样操作后再进行超分辨重建，通过使用亚像素卷积极大的缩小了运算量，重建时间以及提高了重建质量。
- **Primary Language**: Python
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 5
- **Forks**: 1
- **Created**: 2021-01-14
- **Last Updated**: 2022-09-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# ESPCN_Learning
***
## 介绍
   **超分辨重建的经典论文** *《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network》* **，首次提出了用亚像素卷积层对图片进行上采样操作，相比与SRCNN的整体对图片进行上采样操作后再进行超分辨重建，通过使用亚像素卷积极大的缩小了运算量，重建时间以及提高了重建质量。**
***
## 项目环境
### 1、本地Anaconda4.9.2，pytorch1.4，python3.7.7
### 2、项目工程用Pycharm创建
### 3、本项目所用数据集为VOC2012，由于数据集较大，未放入仓库中。  
       数据集获取地址: https://pan.baidu.com/s/1xDoBr28KIFaEEU_uIcgfSQ     提取密码：oyql
***
## 操作说明
### 1、下载好VOC2012数据集后添加至工程的data文件夹中；
### 2、在Pycharm中运行 data_utils.py ，这一步是为了创建训练所需的数据集；
### 3、运行 train.py 即可开始训练，训练的epoch可根据需要调整，文件夹epochs用来保存最棒的训练结果；
### 4、test_image.py 用于测试训练好的网络。
***
## 结果展示
**在3倍放大因子的条件下进行的重建，所用训练结果为/epochs/ESPCN_best(5).pt**
### butterfly.png
![avatar](/results/SRF_3/compare_butterfly.png)  
**PSNR: 25.016115 (db), SSIM: 0.855480**
### comic.png
![avatar](/results/SRF_3/compare_comic.png)  
**PSNR: 23.070899 (db), SSIM: 0.758211**