SRZoo--深度学习图像超分辨率工具

总第 145 篇文章，本文大约 2100 字，阅读大约需要 7 分钟

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：

https://github.com/idearibosome/srzoo?u=2181051220&m=4512180215508847&cu=2181051220&ru=1402400261&rm=4512148967116203

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。

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：

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。