图像超分EDSR-PyTorch镜像上线算网平台

EDSR-PyTorch是一个用于单图像超分辨率 (Single Image Super-Resolution, SISR) 的开源项目。

基于论文《Enhanced Deep Residual Networks for Single Image Super-Resolution》的 PyTorch 实现。

它通过深度学习算法显著提升低分辨率图像的质量，恢复出丰富的高频细节。

EDSR-PyTorch的核心功能是实现将输入的低分辨率图像清晰放大，并有效恢复图像细节。

现在图像超分模型已经和生成模型深度融合，但EDSR-PyTorch，曾是图像超分辨率任务的SOTA模型，在多个基准测试中取得了优异成绩。

它去除传统批量归一化层，减少了信息损失，使训练大规模深层网络更加稳定高效。提供了从轻量级到重型等多种模型尺寸，用户可根据效果需求和计算资源灵活选择。

如果你有大量图像和视频帧需要提升画质，还是可以部署一个批量进行处理的。

例如，增强监控摄像头捕捉到的低分辨率、模糊画面；提高X光、CT等医学影像的分辨率，增强组织和病变的纹理细节；修复老照片、提升网络压缩图片的清晰度等。

算网GPU平台上线了EDSR-PyTorch镜像，快来部署一个试试。

首先打开官网：https://sumw.com.cn/，立即体验。

输入手机号，接收验证码登录。

进入算力市场选择GPU。

下拉找到镜像，社区镜像，点击选择EDSR-PyTorch镜像，选择版本，确认租用。

等待启动。

点击jupyterlab登录。

登录后界面是这样的。

然后按下列步骤完成即可体验。

基本环境要求：pytorch 2.5.0；torch-mlu 1.24.1。

1，代码Clone

2，依赖安装

镜像内已安装ultralytics-thop，tensorboardX，tensorboard，scikit-image和imageio等所需包。

3，环境验证

执行python脚本转换：

将预训练模型下载到 ./models，参考 ./src/model/edsr.py。

如果你想自己生成基准，请参考RCAN的官方存储库:

https://github.com/yulunzhang/RCAN

在终端中执行命令：