# super-resolution

**Repository Path**: scarecrowmy/super-resolution

## Basic Information

- **Project Name**: super-resolution
- **Description**: 智能计算作业，大家加油！
- **Primary Language**: Python
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: https://gitee.com/scarecrowmy/super-resolution
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2023-04-17
- **Last Updated**: 2023-04-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# super-resolution

使用查找表（LUT)的超分辨算法

代码中的F、V、S模型分别对应不同的感受野2、3、4。随着感受野扩大，超分辨图峰值信噪比也越大。但是随着感受野扩大，查找表的大小也会越来越大。因此需要在计算速度和图像质量之间做取舍。

**实验流程**

> 是将2K图片降低分辨率后，放入模型，使用查找表来找到低分辨像素对应的高分辨像素，并用loss来评估模型性能
>
> 模型所使用的loss为：归一化后，训练得到的超分辨图和原本的超分辨图的二范数平方。

。改进指标：图像的峰值信噪比是否有提高；和原本的超分辨图之间的二范数距离是否减小。因此下文所指的改进均为这两类

### 需改进的点

1. 考虑在文件夹三中的测试文件，在使用查找表时，对于miss的像素块是需要用插值算法来填补空洞的，考虑测试不同的差值算法对模型的改进，记录并体现工作量。
2. 考虑文件夹一中的模型训练文件，将激活函数替换成Mish函数，观察实验改进效果，即便没有改进，也可以做记录体现工作量
3. 考虑使用mosaic数据增强方法(详将04/17老师的ppt，P27)，对原始数据进行预处理,检测是否有改进
4. 模型在训练过程中一直使用的是$1*1$卷积核，中间结果的尺寸是一直不变的，考虑使用大一点的卷积核，在模型的中间层进行放大再缩小（或者缩小再放大，升维的时候可以测试填全0或者填其余值，比如用插值算法来升维，或者简单的用卷积核升维），例如中间的数据：$64*64\rightarrow 64*32 \rightarrow 64*64$,诸如此类，记录实验结果。