EDSR图像超分辨程序复现(踩坑及解决记录)

VIPEDSR图像超分辨程序复现(踩坑及解决记录)
EDSR图像超分辨程序复现(踩坑及解决记录)
开通可读全文 ·3.6k 人阅读
最低0.47元/天 解锁文章

1.概述

最近在跑超分辨算法EDSR,中间经理了一些Bug和情况,浅浅记录一下,希望能给遇到相似问题的朋友们一些参考。在开头先说一下跑程序成功的配置:

  • 系统:Ubuntu20.04
  • 显卡情况:GeForce RTX 3090(驱动515.65.01),[CUDA11.0.2,cudnn8.0.5]后来发现没有这两项也可,非必要选项
  • EDSR程序版本:1.2.0版本
  • 虚拟环境:Pytorch1.7.0(对应CUDA11.0),cudatoolkit11.0.221 ,无cudnn
    【注:按照文中的Pytorch1.2.0/1.1.0(CUDA10.0)是不可以运行的】

2.EDSR程序在不同系统下的运行

2.1.Windows系统下运行系统

由于作者官方说了在Windows下不保证可以跑通,所以在这里知识浅浅测试一下,记录如下:

2.1.1.配置pytorch1.7.1(CUDA11.0)

根据Ubuntu运行成功的经验,也安装该版本的pytorch,运行出现以下结果:
报错ImportError: cannot import name ‘_DataLoaderIter’,猜测是版本Pytorch更新之后部分函数更新导致

2.1.2.配置pytorch1.2.0(CUDA10.0)

由于pytorch1.1.0最高支持到CUDA10.0,所以只能安装该版本,运行后出现以下结果:
运行了好长时间后,若不带–save_results,可

VIP EDSR-pytorch复现anaconda环境配置 同学接到了老师的任务复现某篇SR论文,其中参考了EDSR。打算用anaconda配个环境~ EDSR源代码GitHub链接 论文链接: Bee Lim, Sanghyun Son, Heewon Kim, Seungjun Nah, and Kyoung Mu Lee, "Enhanced Deep Residual Networks for Single Image Super-Resolution 整个配置过程都挺顺利的,出错的话可以在评论区发一下我们讨论一下哈 一、环境需要 github上给出的环境依 开通可读全文·2.6k 阅读·6 点赞·24 收藏 阅读全文

相关推荐

【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!

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!

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】 3883

【图像超分】论文复现:EDSR-Pytorch框架 | 无报错跑通,全代码解析

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。

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】 2237

【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

本专栏研究领域为【超分辨率重建】,涵盖图像超分、视频超分,实时超分,4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今,一般是一篇论文精读对应一篇论文复现。论文精读详解理论,归化繁为简,归纳核心,积累词句,培养阅读论文和论文写作能力。论文复现依托Pytorch代码,实现完整的模型训练流程,总结调参方法,记录碰到的bug,论文插图可视化,培养读写代码能力、做实验的能力、以及应用落地能力。

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】 3万+

EDSR图像超分辨率重建:Pytorch复现、训练测试与避坑指南

图像超分辨率重建是计算机视觉中的经典低层视觉任务,目标是从低分辨率输入恢复出清晰的高分辨率图像。随着深度学习的发展,基于卷积神经网络的超分方法逐渐成为主流,其中EDSR(Enhanced Deep Super-Resolution Network)作为NTIRE2017冠军方案,凭借简洁的残差网络结构和稳定的性能表现,成为该领域的标准基线模型。本文从技术原理出发,介绍EDSR如何通过去除BatchNorm、堆叠残差块以及采用亚像素卷积上采样来提升重建质量,并结合Pytorch工程实践,讲解DIV2K数据集制

weixin_33624741的博客 283

图像超分辨率重建:从EDSR到PyTorch实战,彻底搞懂SR细节

计算机视觉中的图像超分辨率重建(Super-Resolution, SR)旨在从低分辨率输入中恢复高频纹理细节,这是一项基础的低层次视觉任务。其核心原理是学习低分辨率到高分辨率的映射关系,并通过退化模型评估重建效果,与普通图像放大或锐化有本质区别。在深度学习领域,EDSR以简洁的残差结构成为入门基线模型,而PSNR与SSIM则是最常用的客观质量评价指标:前者衡量逐像素误差,后者反映结构相似性。掌握模型原理与评估方法后,可以利用PyTorch搭建完整训练流程,从DIV2K数据集准备、LR-HR配对、Patch

weixin_34079177的博客 304

EDSR-PyTorch实战:超分模型环境配置与训练避坑指南

超分辨率重建是计算机视觉中经典的低层次视觉问题,旨在从低分辨率图像恢复高频细节。深度残差网络通过残差学习有效缓解深度网络的退化问题,成为图像超分领域的主流技术范式,而PyTorch框架凭借灵活的动态图和丰富的生态,成为复现与落地此类算法最常用的工具之一。在实践过程中,环境搭建是首要环节,涉及PyTorch安装、CUDA版本匹配、依赖包管理;同时,从GitHub获取项目通常需要掌握zip文件解压和git分支管理等基础操作。EDSR作为NTIRE2017超分挑战赛冠军模型,其PyTorch开源实现结构清晰、逻辑

weixin_29094301的博客 303

EDSR超分辨率模型Matlab移植版:原理、部署与实战调优

超分辨率技术是计算机视觉领域的一项核心图像增强技术,其原理是通过算法模型从低分辨率图像中重建出高分辨率细节。这项技术的价值在于能够突破物理成像设备的限制,广泛应用于医学影像分析、卫星图像增强、老旧影像修复等场景。基于深度学习的方法,尤其是EDSR(增强型深度超分辨率网络)模型,通过移除批量归一化层和引入残差缩放等关键设计,显著提升了重建性能。对于习惯于Matlab生态的工程师和研究人员而言,将EDSR模型从Python框架移植到Matlab环境,能够有效解决环境壁垒和工作流整合的痛点,实现与现有仿真分析工具

weixin_34208283的博客 346

医学影像超分辨率重建:EDSR在CT/MRI病灶识别中的临床落地实践

医学影像超分辨率(Super-Resolution)是一种将低分辨率CT或MRI图像重建为高分辨率版本的技术,其核心原理并非简单插值放大,而是通过深度学习建模图像退化过程,在保持HU值线性保真与解剖结构连续性的前提下恢复亚像素级纹理细节。该技术具备强物理可解释性与临床可验证性,显著提升微小病灶(如磨玻璃影、支气管充气征)的可视性与量化精度,广泛应用于基层影像质控、老旧设备升级及AI辅助诊断系统前置增强。本文聚焦EDSR模型选型依据、DICOM数据规范预处理、轻量级训练部署及医生可读评估体系,覆盖从毕业设计闭

weixin_29046035的博客 195

Crossbar RRAM技术解析:从1TnR架构到存储革命

非易失性存储器(NVM)是数据存储的核心技术,其原理基于物理状态的稳定改变以实现数据持久化。阻变存储器(RRAM)作为一种新兴NVM,利用导电细丝在介质层中的形成与断裂实现数据存储,具有高速、低功耗和结构简单的优势。在工程实践中,RRAM面临潜行路径电流等挑战,而Crossbar提出的1TnR架构通过引入共享晶体管有效解决了这一问题,在保证性能的同时提升了集成密度。该技术与CMOS工艺兼容,支持后端集成与多层堆叠,为高密度存储和嵌入式应用提供了新的解决方案。结合当前行业对高能效、高密度存储的需求,RRAM在

weixin_42523104的博客 324

商店销售预测(回归&随机森林)

通过准备线性回归的数据,我们发现了一些有趣的见解,包括周末的销售增长,公共部门支付工资时的销售增长,以及11月和12月的销售增长。如果我们选择包括这些,我们可能会得到更好的结果,但在这个时候,我们不会用它来做任何预测,而是将转向另一种可能给我们更好的结果的技术。在Kaggle竞赛中,要求我们应用时间序列预测,根据厄瓜多尔大型杂货零售商Corporación Favorita的数据预测商店销售情况,建立一个模型,准确地预测在不同商店销售的商品的单位销量。在快速查看我们的训练数据集之后,我们可以看到有很多零。

qq_45791012的博客 4753

Windows10下RTABMAP+T265实现三维建图

win10+rtabmap+t265扫描地形

Suxiang1997的博客 3491

竞赛经验——挑战杯、互联网加、北斗杯、微软创新杯、计算机设计等比赛教训与经验

最近参加一些比赛,北斗杯、挑战者杯、微软创新杯等比赛,每次比赛都有不少需要总结的地方,特别是项目展示上技巧很多,总结一下。 首先最重要的是作品自身硬!自身的作品完成度不高,或者是没有创新点,就没必要参加了。 比如是出去比赛的话,我反正每次碰到最多的是智慧农场、智慧家居之类,不知道为啥这种的太多了。如果是创业型比赛,评委基本会问小米已经做得很好了很便宜了,你的优势在哪里?这些都是常见的问题提前要...

沉迷单车的追风少年 7331

A2B V1.0协议学习笔记(A2B System Specification V1.0)

A2B全称是 Automotive Audio Bus 汽车音频总线,主要是解决传统音频总线线多、线重、成本贵等问题。本文是以A2B V1.0规范为准,现在ADI又推出了A2B V2.0,物理层不兼容,采用了QPSK编码方式,后续有时间再更新。A2B总线的优点:支持1主多从的架构(最多10个子节点)支持50Mbps(具体是49.152 Mbps)的高带宽传输以及

qflook的博客 4428

【Unity动画优化插件】BT - OptiAnimX —— AAA级动画优化框架深度剖析

BT - OptiAnimX 是一款面向 Unity 的高性能动画优化框架,核心目标是解决多角色动画场景中的性能瓶颈问题。该插件对标《战争机器5》和《巫师3》等 AAA 游戏中的动画优化技术,通过一整套自动化与智能化的优化策略,将动画性能提升与视觉质量控制结合在一起。它适用于从移动端、VR 到高端 PC 的多平台项目,尤其在“多人角色 + 高频动画”的场景中表现突出,例如 MMO、开放世界、动作游戏等。BT - OptiAnimX 本质上是一套“动画性能调度系统”,而不仅仅是优化工具。

2403_88403568的博客 433

PCL 基于法线微分(DoN)的点云分割【2026最新版】

基于法线微分的分割。博客长期更新,本文最新更新时间为:2026年5月10日。

点云侠的博客 39万+

工程师必收藏,Juniper(Junos)网络设备命令大全

不要直接删除配置 → 使用deactivate配置前先修改大配置用出现风险命令一律用写自动化时一律用格式真正会用 Juniper 的工程师,不是命令多,而是命令用得精。

网络技术联盟站 404

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

上一篇: 英伟达显卡不同CUDA支持的计算能力情况及不同算力对应显卡列表
下一篇: 【图像超分辨率重建】——EDSR论文精读笔记
Sunny_Coder
博客等级 码龄7年 124粉丝 69原创
评论 12
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
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