本文探讨了PyTorch训练模型在评估测试集时如何实现与论文中相同的PSNR/SSIM计算方法。通过Matlab处理测试集图像，然后使用Python读取.mat文件，确保指标准确性。对比了不同方法下的Bicubic结果，并提供了各论文中的Bicubic指标对比，最后提出了达到最优计算方法的建议。
第一次来请先看这篇文章：【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）
前言
之前，我们分析了Python计算的PSNR/SSIM与Matlab计算的PSNR/SSIM的差别，其主要原因来自imresize的不同。
文章链接：【深度思考】为什么评价指标PSNR、SSIM和论文中的不一样？一文搞清超分辨率主流benchmarks测试集Set5等的PSNR、SSIM的计算方式以及python与matlab的imresize差别
那么，本文将在不添加额外代码的情况下，实现论文中PSNR/SSIM的计算。
Pytorch代码+Python计算指标+Matlab处理测试集！
Matlab处理benchmarks主流测试集
根据前言所述，指标的差距来自python和matlab的imresize不同。之前我们的做法是用python实现matlab中的imresize，直接读取测试集的图像。虽然
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
