【图像超分】论文复现：以SwinIR为例，使用KAIR工具箱训练和测试SR模型，详细解析KAIR各脚本功能，学会如何修改代码使用自己的数据训练自己的模型

最新推荐文章于 2025-08-14 23:14:26 发布
最新推荐文章于 2025-08-14 23:14:26 发布
阅读量171 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 超分辨率重建（理论+实战，科研+应用） 文章标签： pytorch 人工智能 计算机视觉 超分辨率重建 深度学习 python 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36584673/article/details/148155976

请先看【专栏介绍文章】：【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）

完整代码和训练好的模型权重文件下载链接见本文底部，订阅专栏免费获取！

本文亮点：

  • 将SwinIR源码整合到KAIR工具箱中，跑通SwinIR的训练和测试代码，获得与论文一致的PSNR/SSIM、Params、超分可视化结果；
  • KAIR使用说明与主要代码解析；

文章目录

前言

论文题目：SwinIR: Image Restoration Using Swin Transformer —— SwinIR:使用Swin Transformer进行图像恢复

论文地址：SwinIR: Image Restoration Using Swin Transformer

论文源码

了解本专栏 订阅专栏 解锁全文
【图像超分】论文精读：SwinIR: Image Restoration Using Swin Transformer
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】
04-12 3517
图像恢复是一个长期存在的低级视觉问题，旨在从低质量图像中恢复高质量图像（例如，缩小、噪声和压缩图像）。虽然最先进的图像恢复方法是基于卷积神经网络，但很少有人尝试变形金刚，这在高级视觉任务中显示出令人印象深刻的性能。在本文中，我们提出了一种基于 Swin Transformer 的图像恢复的强大基线模型 SwinIR。SwinIR由三部分组成:浅层特征提取、深层特征提取和高质量图像重建。特别是，深度特征提取模块由几个残差 Swin Transformer 块 (RSTB) 组成，每个块具有多个 Swin Tr
【亲测免费】 KAIR 图像恢复工具箱使用教程
gitblog_00502的博客
08-09 1142
KAIR 图像恢复工具箱使用教程 项目介绍 KAIR 是一个基于 PyTorch 的图像恢复工具箱，提供了多种图像恢复算法的实现，包括 DPIR、USRNet、DnCNN、FFDNet、SRMD、DPSR、BSRGAN 和 SwinIR 等。该项目旨在为研究人员和开发者提供一个统一的框架，以便于训练和测试各种图像恢复模型。 项目快速启动 环境配置 首先，确保你已经安装了 Python 和 PyTo...
【学习记录】使用KAIR训练SwinIR模型教程
行云流水剑的博客
07-14 4241
本文详细介绍了在Windows系统上使用KAIR开源项目训练SwinIR图像超分辨率模型的完整流程。内容包括：1) 创建Python 3.6虚拟环境并安装PyTorch和项目依赖；2) 准备DIV2K训练集和Set5测试集，配置正确的目录结构；3) 修改配置文件适配Windows平台，将NCCL后端改为Gloo；4) 提供单GPU和多GPU训练命令示例；5) 说明训练日志监控和模型保存路径。文章特别针对Windows用户进行了优化调整，解决了分布式训练的后端适配问题。
图像去噪和超分辨率重建——复现SwinIR网络训练自己数据集及推理测试（详细图文教程）
qq_40280673的博客
11-02 8214
SwinIR (基于Swin Transformer的图像修复网络) 是2021年提出的一种深度学习模型，专为图像修复任务设计，适用于超分辨率、去噪和压缩伪影去除等任务。SwinIR 依赖于Swin Transformer，这是一个采用分层架构并结合了滑动窗口的transformer模型，使得网络能够在图像中捕获局部和全局信息。SwinIR的分层结构和滑动窗口机制相比全局注意力机制模型降低了计算成本。
KAIR 图像恢复工具箱使用教程
gitblog_00386的博客
08-09 1037
KAIR 图像恢复工具箱使用教程 1. 项目的目录结构及介绍 KAIR 项目的目录结构如下： KAIR/ ├── data/ ├── docs/ ├── figs/ ├── kernels/ ├── matlab/ ├── model_zoo/ ├── models/ ├── options/ ├── retinaface/ ├── scripts/ ├── testsets/ ├── train...
SwinIR实战：如何使用SwinIR和预训练模型实现图片的超分
AI浩
04-30 5066
SWinIR实战 论文地址：https://arxiv.org/pdf/2108.10257.pdf 预训练模型下载：https://github.com/JingyunLiang/SwinIR/releases 训练代码下载：https://github.com/cszn/KAIR 测试：https://github.com/JingyunLiang/SwinIR 论文翻译：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/1244348
SwinIR实战：详细记录SwinIR的训练过程
AI浩
05-01 1万+
SwinIR实战：详细记录SwinIR的训练过程。 论文地址：https://arxiv.org/pdf/2108.10257.pdf 预训练模型下载：https://github.com/JingyunLiang/SwinIR/releases 训练代码下载：https://github.com/cszn/KAIR 测试代码：https://github.com/JingyunLiang/SwinIR 论文翻译：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/arti
【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
热门推荐
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】
03-25 2万+
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。
第2节 PyTorch加载数据
A125679880的博客
08-11 793
PyTorch数据处理实战：构建昆虫图像数据集 本文介绍了PyTorch中Dataset和Dataloader的核心功能，重点讲解了如何构建自定义图像数据集。Dataset类主要负责数据获取和编号，需要实现__getitem__和__len__方法；Dataloader则负责数据打包。通过实战演示了使用PIL.Image读取图片、处理绝对/相对路径、以及利用os模块管理文件路径。最后实现了一个昆虫图像数据集构建工具MyData类，能够从指定文件夹读取蚂蚁和蜜蜂图像并合并成完整训练集。该工具支持图像可视化，为
pytorch学习笔记-Loss的使用、在神经网络中加入Loss、优化器(optimizer)的使用
qq_45437180的博客
08-14 229
博主最近真要累鼠了…anyway上号更新一点，预计下周就能把该系列更完了= =
Pytorch进阶-timm库-00快速开始
CodelancerA的博客
08-10 1259
timm是一个功能强大的PyTorch计算机视觉库，提供了700多个预训练模型和各种实用工具。它支持快速加载SOTA模型架构和预训练权重，便于迁移学习和特征提取。用户可以通过简单API调用预训练模型，修改分类层进行微调，或直接提取特征。timm还内置了数据增强工具，能自动生成标准化的图像预处理流程，极大简化了计算机视觉任务开发流程。该库特别适合研究人员快速复现模型、开发者进行迁移学习，以及学生阅读优质实现代码。
【PyTorch】单目标检测项目部署
Frost_Descent的博客
08-11 1001
详细参照前文【PyTorch】单目标检测项目import os# 定义一个函数，用于将a列表中的元素除以b列表中的对应元素，返回一个新的列表# 使用zip函数将a和b列表中的元素一一对应# 返回新的列表return div# 定义一个函数，用于将a列表中的元素乘以b列表中的对应元素，返回一个新的列表# 使用zip函数将a和b列表中的元素一一对应# 返回新的列表return div# 定义一个函数，用于调整图像和标签的大小# 获取原始图像的宽度和高度# 获取目标图像的宽度和高度。
一文讲清楚Pytorch 张量、链式求导、正向传播、反向求导、计算图等基础知识
weixin_45690427的博客
08-14 912
本文系统介绍了PyTorch深度学习的基础知识，包括数学概念、张量操作和神经网络实现。主要内容涵盖： 数学基础：讲解标量、向量、矩阵和张量的定义与区别，并展示可视化方法 PyTorch张量：介绍张量创建、基本运算（加减乘除、矩阵乘法）和形状操作（reshape/view/squeeze） 计算图与自动求导：演示PyTorch的自动微分机制 神经网络实现：包含完整示例展示如何构建简单神经网络 文章采用代码与说明相结合的方式，通过实际例子帮助理解PyTorch的核心概念和操作方法，为深度学习实践奠定基础。
diffusers库学习--pipeline，模型，调度器的基础使用
2401_86807530的博客
08-14 342
diffusers库学习--pipeline，模型，调度器的基础使用
动手学深度学习（pytorch版）：第三章节—线性神经网络（2）— 从零实现线性回归
weixin_70217160的博客
08-14 834
本文介绍了使用PyTorch实现线性回归的完整流程。首先通过torch.normal()生成包含噪声的合成数据集，其中特征X与标签y满足线性关系y=Xw+b。接着定义小批量数据迭代器data_iter实现数据的随机分批读取。在模型构建阶段，初始化可训练参数w和b，定义线性回归模型linreg和均方损失函数squared_loss。通过sgd函数实现小批量随机梯度下降优化算法，设置学习率0.03进行3轮训练。最终结果显示，训练得到的参数与真实参数非常接近，验证了模型的有效性。该实现展示了深度学习中的典型训练流
PyTorch 2025全解析：从基础到前沿，深度学习框架的技术演进与实战指南
世界那么大，我想去看看～【偶尔更新，看世界去了😄】
08-14 1131
PyTorch 2025全解析：从基础到前沿，深度学习框架的技术演进与实战指南
检测pytorch是否安装好
qq_46394486的博客
08-14 198
本文介绍了PyTorch中CUDA相关功能的检测方法。通过导入torch库后，可以使用torch.cuda.is_available()检查CUDA是否可用，返回True表示可用。torch.cuda.device_count()可获取可用CUDA设备数量，torch.version.cuda则能查询CUDA版本号。这些方法帮助开发者快速验证PyTorch的CUDA环境配置情况。
anaconda创建pytorch1.10.0和pytorch2.0.0的GPU环境
最新发布
huibin.yun的博客
08-14 1118
[TOC]目录。
评论 1
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

打赏作者

十小大

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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