Deep Back-Projection Networks For Super-Resolution图像超分辨----DBPN

Deep Back-Projection Networks For Super-Resolution图像超分辨----DBPN测试及训练

本文详细介绍了图像超分辨方法-DBPN代码测试及训练
论文地址：https://arxiv.org/abs/1803.02735
代码地址：https://github.com/alterzero/DBPN-Pytorch

1、DBPN测试

（Window10系统下进行）
（1）创建虚拟环境
（2）安装python3.6，pytorch1.7.0，cuda11.0以及必要的安装包imageio，scipy，opencv-python等
（3）安装pytorch1.7.0和对应版本的cuda11.0：终端输入如下命令

conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=11.0 -c pytorch

（4）由于测试demo数据及预训练的模型已经存在相应的文件夹中，所以不用下载其他的数据集和模型。

运行测试命令：

python eval.py

出现如下错误：

分析原因：imsave方法已经被禁用
解决办法：代码中导入imageio来解决问题
如下：

继续运行：

python eval.py

出现如下错误：

分析原因：试图在开始一个新的过程之前，当前进程已完成其引导阶段。
这可能意味着没有使用fork来启动您的子进程，简而言之是因为代码中需要有引导程序运行的标志。
解决办法：
①在调用方法前边加上：

if __name__ == '__main__':

如图：

②将代码中线程设置的地方改成0也可。

此外，如果出现下面的问题：
torch.utils.data.DataLoader中的num_workers错误
分析原因：windows系统中可能不支持多线程运行
解决办法：将num_workers改为0即可！使用单线程运行程序。
测试结果：

出现如上结果，即运行成功！
此次测试数据所用模型为：DBPNLL_x8.pth
测试数据为：./Input/Set5_LR_x8/中的五组低分辨率图片
测试结果保存在Results文件夹中。
原始数据及处理完成结果对比:

原始数据如下：分辨率为32x32，图片大小为2.8KB

超分辨结果如下：分辨率为256x256，图片大小为192.6KB

更改测试数据方法：

将箭头处更改成自己测试数据相关名称和信息即可！

2、DBPN训练

（Windows10系统下）
（1）首先下载用于训练的数据集，下载地址如下：
链接：https://pan.baidu.com/s/1fUCDgjfa5ktHczgPaO89xw
提取码：4ymy
（2）将下载的DIV2K_train_HR数据集文件拷贝到项目工程文件夹Dataset下，如下图
（3）创建weights文件夹用来保存训练的模型。

接下来修改main.py文件中的参数，如下图箭头所指的参数可以根据自己的情况进行修改。
为了方便区分最后训练的模型，将数据集的名称体现在保存的模型名称中，所以单独加了一行参数设置


运行命令：

python main.py

开始训练。

模型会每隔固定的周期就会保存一次，模型会保存在weights文件夹下。

之后就可以使用自己训练的模型进行测试。
以上就是DBPN测试及训练的全过程了，希望对大家有所帮助！