【图像超分】论文复现：轻量化超分 | 残差特征蒸馏网络RFDN的Pytorch源码复现，跑通源码，整合到EDSR-PyTorch中进行训练，补充CCA的实现！

最新推荐文章于 2025-09-03 22:20:55 发布
最新推荐文章于 2025-09-03 22:20:55 发布
阅读量150 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 超分辨率重建（理论+实战，科研+应用） 文章标签： pytorch 人工智能 python 超分辨率重建 计算机视觉 深度学习 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36584673/article/details/148248353

请先看【专栏介绍文章】：【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等）

完整代码和训练好的模型权重文件下载链接见本文底部，订阅专栏免费获取！

本文亮点：

  • 跑通RFDN源码，将RFDN整合到EDSR-PyTorch中进行训练，获得PSNR/SSIM、Params、FLOPs、超分可视化结果；
  • RFDN架构从大到小拆解，从小到大实现，补充CCA的实现，示意图与源码对应，注释详细；

文章目录

前言

论文题目：（ECCVW 2020 | RFDN）Residual Feature Distillation Network for Lightweight Image Super-Resolution —— 用于图像超分辨率的残差特征聚合网络

论文地址：Residual

了解本专栏 订阅专栏 解锁全文
【图像超分】论文复现：轻量化超分 | CNN与Transformer混合！ESRT的Pytorch源码复现，跑通源码，补充训练好的模型权重！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
05-28 218
本文介绍了ESRT超分辨率算法的实现与代码解析。文章亮点在于完整跑通ESRT源码，获得PSNR/SSIM等指标和超分可视化结果，补充了训练好的模型权重。内容包含数据集准备（DIV2K训练集）、训练流程（不同缩放因子的训练命令）、测试方法及结果展示。代码解析部分重点分析了ARFB模块结构和Channel Attention层的实现。该项目适合超分辨率领域新手，具有代码结构清晰、单GPU可运行的特点。完整代码和训练好的模型权重可通过订阅专栏免费获取。
【图像超分】论文复现：EDSR-Pytorch框架 | 无报错跑通，全代码解析
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
05-26 1761
本文介绍了EDSR超分辨率模型的Pytorch实现代码解析。首先详细说明了如何快速跑通代码，包括环境配置、测试单图像和benchmark的步骤，以及常见问题的解决方法。其次，对代码结构进行了全面解析，从主函数main.py开始，分别介绍了各脚本的功能，包括数据加载、损失函数、模型实现等模块。文中还提供了训练命令示例和注意事项，特别强调了对参数文件和路径的正确设置。该代码解析有助于研究者快速上手EDSR框架，为后续基于该框架的超分辨率研究提供便利。
【图像超分】论文复现：万字长文！Pytorch实现EDSR！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-16 3347
Pytorch实现EDSR！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！讲解细致，EDSR流程全通，代码注释丰富，适合新手入门阅读！深度思考，踩坑报错全记录，代码中均已修正！python实现matlab中的RGB转YCbCr，解决matlab.engine无法使用的问题！EDSR的性能与论文接近！
【图像超分】论文复现：Pytorch实现WDSR！保姆级复现教程！代码注释详尽！完整代码和x2、x3、x4下的最优模型权重文件可以直接用！绘制论文曲线图！计算主流测试集的平均PSNR和SSIM！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
05-06 2520
论文题目：Wide Activation for Efficient and Accurate Image Super-Resolution —— 高效、准确的图像超分辨率的广泛激活【图像超分】论文精读：Wide Activation for Efficient and Accurate Image Super-Resolution（WDSR）请配合上述论文精读文章使用，效果更佳！
【图像超分】论文复现：CVPR 2024 NTIRE Workshop ESR赛道冠军！SPAN的Pytorch源码复现，跑通源码，图文手把手教程解决源码中存在的各种问题，获得结果，完美复现！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-27 336
论文题目：Swift Parameter-free Attention Network for Efficient Super-Resolution —— 用于高效超分辨率的Swift无参数注意网络【图像超分】论文精读：Swift Parameter-free Attention Network for Efficient Super-Resolution（SPAN）SPAN的核心为SPAB中的卷积+激活直接输出注意力映射，以及对应各种残差链接的设计。
【图像超分】论文精读：Enhanced Deep Residual Networks for Single Image Super-Resolution（EDSR和MDSR）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-28 7267
最近对超分辨率的研究随着深度卷积神经网络 (DCNN) 的发展取得了进展。特别是，残差学习技术表现出更好的性能。在本文中，我们开发了一个增强的深度超分辨率网络（EDSR），其性能超过了当前最先进的 SR 方法。我们模型的显着性能改进是由于通过删除传统残差网络中不必要的模块进行优化。当我们稳定训练过程时，通过扩展模型大小可以进一步提高性能。我们还提出了一种新的多尺度深度超分辨率系统(MDSR)和训练方法，该方法可以在单个模型中重建不同缩放因子的高分辨率图像。所提出的方法在基准数据集上比最先进的方法表现出更好的
【图像超分】论文精读：Image Super-Resolution with Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-20 1859
基于深度卷积的单幅图像超分辨率(SISR)网络包含了从大规模外部图像资源中学习局部恢复的好处，但现有的研究大多忽略了自然图像中的远程特征相似性。最近的一些工作通过探索非局部注意模块成功地利用了这种内在特征相关性。然而，目前的深度模型都没有研究图像的另一个固有属性：跨尺度特征相关性。在本文中，我们提出了第一个跨尺度非局部 (CS-NL) 注意力模块，并集成到循环神经网络中。通过将新的 CS-NL 先验与强大的循环融合单元中的局部和尺度内非局部先验相结合，我们可以在单个低分辨率 (LR) 图像中找到更多的跨尺度
【图像超分】论文精读：Cross-Scale Internal Graph Neural Network for Image Super-Resolution（IGNN）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-18 1968
自然图像中的非局部自相似性已被很好地研究，作为图像恢复的有效先验。然而，对于单图像超分辨率 (SISR)，大多数现有的深度非局部方法（例如非局部神经网络）仅在低分辨率 (LR) 输入图像的相同尺度内利用相似的补丁。因此，恢复仅限于使用相同的尺度信息，而忽略了来自其他尺度的潜在高分辨率 (HR) 线索。在本文中，我们探索了自然图像的跨尺度补丁递归特性，即相似的补丁往往在不同的尺度上重复多次。这是通过一种新颖的跨尺度内部图神经网络 (IGNN) 实现的。具体来说，我们通过在 LR 图像中为每个查询补丁搜索下采样
【图像超分】论文复现：万字长文！Pytorch实现SRResNet！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-17 2479
Pytorch实现SRResNet！代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！将SRResNet单独训练，方便做实验测试！SRResNet的模型性能达到最优，可以用于论文中实验的对比方法和测试自己的图像数据
在 WSL2-NVIDIA-Workbench 中安装Anaconda、CUDA 13.0、cuDNN 9.12 及 PyTorch（含完整环境验证）
love530love的博客
08-30 923
在 WSL-NVIDIA-Workbench（NVIDIA AI Workbench & Ubuntu 22.04）中
DAY 43 复习日
weixin_55569886的博客
09-03 381
我在自己的电脑上跑的，速度很慢，所以我只跑了20个epoch，接下来我会增加epoch继续对模型进行训练，看效果会不会好一点。kaggle找到一个图像数据集，用cnn网络进行训练并且用grad-cam做可视化。我找的是kaggle上的猫狗二分类训练集。进阶：并拆分成多个文件。
【值得收藏】手把手教你用PyTorch构建Transformer英汉翻译系统，从训练到推理
2401_84815887的博客
09-02 771
文章详细介绍了如何使用PyTorch从零构建简化版的Transformer英汉机器翻译系统。内容包括：构建中英文平行语料和词表、实现位置编码、多头注意力机制和前馈网络，搭建编码器和解码器结构，以及训练和推理过程。文章通过最小样本和最简配置，完整演示了Transformer从数据准备到模型构建，再到生成翻译结果的完整闭环，适合初学者理解Transformer的基本原理和应用。
深入解析 PyTorch 核心类：从张量到深度学习模型
vvilkin的学习备忘
09-01 918
PyTorch 是目前最流行的深度学习框架之一，以其动态计算图、灵活的模型构建方式和强大的 GPU 加速能力广受研究人员和工程师的青睐。PyTorch 的成功离不开其精心设计的核心类，这些类构成了深度学习模型训练和部署的基础。本文将深入剖析 PyTorch 的关键类，包括 Tensor、Module、Optimizer、Dataset 等，帮助读者掌握 PyTorch 的核心机制，并学会如何高效地构建和训练神经网络。
使用PyTorch构建全连接神经网络实现MNIST手写数字分类
vvilkin的学习备忘
09-03 758
在深度学习领域，图像分类是最基础也是最经典的任务之一。MNIST手写数字数据集作为计算机视觉领域的"Hello World"，包含了60,000个训练样本和10,000个测试样本，每个样本都是28×28像素的灰度图像，对应0-9十个数字类别。本文将详细介绍如何使用PyTorch框架构建全连接神经网络(FCN)来完成MNIST手写数字分类任务。
用 PyTorch 实现食品图像分类：从数据预处理到模型训练与预测
dlraba的博客
09-02 656
PyTorch 提供了Dataset抽象类，我们通过继承该类，实现自定义的食品图像数据集，支持图像读取、数据增强与标签处理。为了提升模型泛化能力并统一输入格式，我们对训练集和验证集（测试集）分别定义数据变换操作，主要包括图像尺寸调整和张量转换。
pytorch初级
最新发布
m0_57280180的博客
09-03 452
本文是《PyTorch实用教程》第二版的学习笔记，主要介绍深度学习的核心流程：数据准备→模型构建→训练→评估与应用。内容分为三部分：1）PyTorch基础，包括Tensor特性（GPU加速和自动求导）、创建方式及运算；2）实战案例，如图像分类和NLP；3）模型部署。重点讲解了Tensor与NumPy数组的区别、数据加载（Dataset和DataLoader的使用）以及自定义数据集的实现方法。Tensor部分强调GPU计算和内存共享机制，数据加载部分详细说明了如何通过__len__和__getitem__构建
从 0 到 1 实现 PyTorch 食物图像分类：核心知识点与完整实
2302_76568160的博客
09-03 1025
PyTorch 通过Dataset和DataLoader实现数据加载，其中Dataset负责 “定义数据来源和格式”，DataLoader负责 “批量加载和并行处理”。本项目自定义了类，用于加载食物图像和对应标签，我们详细解析其实现逻辑。x = self.conv1(x) # 经卷积块1处理x = self.conv2(x) # 经卷积块2处理x = self.conv3(x) # 经卷积块3处理x = self.conv4(x) # 经卷积块4处理。
Day 40 训练和测试的规范写法
z_reset的博客
08-30 856
知识点回顾：彩色和灰度图片测试和训练的规范写法：封装在函数中展平操作：除第一个维度batchsize外全部展平dropout操作：训练阶段随机丢弃神经元，测试阶段eval模式关闭dropout作业：仔细学习下测试和训练代码的逻辑，这是基础，这个代码框架后续会一直沿用，后续的重点慢慢就是转向模型定义阶段了。图像数据的格式以及模型定义的过程与结构化数据的不同主要体现在以下两个方面：1.模型定义的时候需要展平图像。
深度学习篇---Pytorch常用优化器
道阻且长，行则将至。
09-02 934
PyTorch常用优化器简明指南：SGD是最基础优化器，类似下山逐步调整；Adam是自适应智能版SGD，适合大多数场景；RMSprop对序列数据表现良好；AdamW改进了Adam的正则化效果，适合大模型训练。选择建议：新手用Adam，大模型用AdamW，简单模型用SGD+Momentum，序列数据用Adam或RMSprop。优化器无绝对优劣，需结合模型复杂度、数据特点和训练目标综合选择，建议先试Adam再逐步优化。
PyTorch实现：增强深度残差网络图像超分辨率
根据提供的文件信息，我们将详细探讨如何在Python环境中使用PyTorch框架实现增强型深度残差网络（Enhanced Deep Residual Networks），特别是用于单图像超分辨率（Single Image Super-Resolution）的技术。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

十小大

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值