FSRCNN是2016年提出的超分辨率模型，使用后端上采样（转置卷积的方法），在一定程度上解决了SRCNN的问题。

参考博客

论文地址

模型位置：F:\Github下载\FSRCNN-pytorch-master

参考文献：基于参考图像的超分辨率重建算法综述

第一个超分辨率模型-SRCNN （SISR），2014年提出

参考网址：【超分辨率】【深度学习】SRCNN pytorch代码（附详细注释和数据集）_srcnn代码-CSDN博客

SRCNN超分辨率Pytorch实现，代码逐行讲解，附源码

模型位置：F:\Github下载\SRCNN_Pytorch_1.0-master

参考文献：深度学习的图像超分辨率重建技术综述

本模型位于：E:\python文件\deep-learning-for-image-processing-master\pytorch_classification\Test5_resnet

本模型位于：E:\python文件\deep-learning-for-image-processing-master\pytorch_classification\Test4_googlenet

本模型存放于目录：

E:\python文件\deep-learning-for-image-processing-master\pytorch_classification\Test3_vggnet

本模型存放于目录：

E:\python文件\deep-learning-for-image-processing-master\tensorflow_classification\Test2_alexnet

基于PyTorch框架，本模型存放于目录：

E:\python文件\deep-learning-for-image-processing-master\pytorch_classification\Test1_official_demo

经卷积后的矩阵尺寸大小计算公式为：

N=(W-F+2P)/S+1

• 输入图片大小W×W
• Filter大小FXF
• 步长S
• padding的像素数P

1
2
3
4
5
6
7

import torch
import torchvision
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import torchvision.transforms as transforms
from PIL import Image

参考文献：单幅3D磁共振图像超分辨率算法研究