摘要：本文介绍深度学习的SRGAN图像超分重建算法，使用Python以及Pytorch框架实现，包含完整训练、测试代码，以及训练数据集文件。博文介绍图像超分算法的原理，包括生成对抗网络和SRGAN模型原理和实现的代码，同时结合具体内容进行解释说明，完整代码资源文件请转至文末的下载链接。本博文目录如下：文章目录前言1.实现原理1.1超分重建流程1.2SRResNet的深度网络2.SRGAN原理与代码实现2.1生成对抗网络简介2.2感知损失函数2.3SRGAN网络结构2.4SRGAN网络训练3.代码编写3.1生成器模型代码3.2判别器模型代码3.3测试生成图像代码4.下载链接结束语➷点击跳转至文末

这篇文章介绍SRResNet网络，以及将SRResNet作为生成网络的GAN模型用于超分，即SRGAN模型。这是首篇在人类感知视觉上进行超分的文章，而以往的文章以PSNR为导向，但那些方式并不能让人眼觉得感知到了高分辨率——Photo-Realistic。参考目录：①：SRResNet概要②：深度学习端到端超分辨率方法发展历程③：GAN-李宏毅④：GAN的理解(内含③中PPT)⑤：Pytorch源码Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetworkAbstract1Introduction2M

博客结构SRGANContribution：NetworkArchitecture:GeneratorNetworkDiscriminatorNetworkPerceptuallossfunction：Experiments：Meanopinionscore(MOS)testing：ESRGANContribution:NetworkArchitecture：ESRGAN相对于SRGAN对生成器做出了一下两点修改：RelativisticDiscriminator：PerceptualLoss:NetworkInterpolation：Experiments：Dataset：Qualitati