人工智能深度学习计算机视觉图像处理视频处理【免费下载链接】BasicSROpen Source Image and Video Restoration Toolbox for Super-resolution, Denoise, Deblurring, etc. Currently, it includes EDSR, RCAN, SRResNet, SRGAN, ESRGAN, EDVR, BasicVSR, SwinIR, ECBSR, etc. Also support StyleGAN2, DFDNet.项目地址https://gitcode.com/gh_mirrors/ba/BasicSR点击查看免费下载本文基于 BasicSR 仓库的 Model Zoo 文档 展开系统讲解模型库中官方转换模型与BasicSR 复现模型两类预训练权重的获取方式、存放规范、批量下载脚本的完整用法以及图像/视频超分辨率模型的 PSNR/SSIM 基线数据与评测口径。读完本文你能够独立完成模型下载与落位、用仓库自带的测试配置复现文档中的基线指标并理解实验命名规范与评测细节裁剪边距、Y/RGB 通道、边界帧策略对结果可比性的影响。两类模型与统一存放位置BasicSR 的模型库Model Zoo提供两类预训练模型官方转换模型Official models直接由论文作者官方发布的权重转换而来用于保证与原始论文结果对齐复现模型Reproduced models完全使用BasicSR训练流程复现的模型仓库同时提供预训练权重与训练日志示例便于验证 BasicSR 的训练管线。下载的模型统一放入experiments/pretrained_models文件夹。下载渠道Google Drive 与百度网盘的入口链接见 docs/ModelZoo.md 开头部分官方还提供 wandb 上的训练曲线用于复现实验的训练过程核查。使用下载脚本批量获取仓库提供了 scripts/download_pretrained_models.py 脚本可直接从 Google Drive 下载指定类别的模型python scripts/download_pretrained_models.py ESRGAN # method can be ESRGAN, EDVR, StyleGAN, EDSR, DUF, DFDNet, dlib从脚本源码看method参数的实际可选项比文档注释更完整argparse的帮助文本声明支持ESRGAN、EDVR、StyleGAN、EDSR、DUF、DFDNet、dlib、TOF、flownet、BasicVSR并额外支持传入all一次性下载全部模型见 scripts/download_pretrained_models.py#L31-L36。脚本的落盘与交互行为见 scripts/download_pretrained_models.py#L8-L25保存根目录为./experiments/pretrained_models/{method}即按方法类别分子目录存放若目标文件已存在会交互式询问是否覆盖Y/N输入其他字符会抛出ValueError底层调用 basicsr/utils/download_util.py 中的download_file_from_google_drive完成实际下载因此依赖可用的 Google Drive 访问环境。脚本内置了每个类别的完整文件清单scripts/download_pretrained_models.py#L38-L106文件名统一带 8 位哈希后缀以防冲突例如类别包含的模型文件节选ESRGANESRGAN_SRx4_DF2KOST_official-ff704c30.pth、ESRGAN_PSNR_SRx4_DF2K_official-150ff491.pthEDVREDVR_L_x4_SR_REDS_official-9f5f5039.pth、EDVR_L_x4_SR_Vimeo90K_official-162b54e4.pth、EDVR_M_woTSA_x4_SR_REDS_official-1edf645c.pth等 7 个EDSREDSR_Mx2/3/4_f64b16_DIV2K_official-*.pth、EDSR_Lx2/3/4_f256b32_DIV2K_official-*.pth共 6 个DUFDUF_x4_52L_official-483d2c78.pth、DUF_x4_28L/16L_official-*.pth、DUF_x3_16L_official-34ce53ec.pth、DUF_x2_16L_official-39537cb9.pthTOFtof_x4_vimeo90k_official-32c9e01f.pthDFDNetDFDNet_dict_512-f79685f0.pth、DFDNet_official-d1fa5650.pthStyleGANstylegan2_ffhq/cat/church/car/horse系列及对应 discriminator 权重flownetspynet_sintel_final-3d2a1287.pthBasicVSR 的光流网络依赖BasicVSRBasicVSR_REDS4-543c8261.pth、BasicVSR_Vimeo90K_BDx4/BIx4-*.pth及 IconVSR 系列共 8 个dlib人脸检测与 5/68 点关键点模型.dat注意测试配置中path.pretrain_network_g指向的是带类别子目录的路径如experiments/pretrained_models/EDSR/...这与脚本创建的目录结构一一对应如果手动从网盘下载务必保持相同的子目录与完整文件名含哈希后缀否则strict_load_g: true场景下会因路径或文件名不匹配而失败。图像超分辨率评测口径在评估图像超分辨率模型时Model Zoo 文档 明确了两条口径每条边界裁剪scale个边距像素upscale 为 4 时裁 4 像素在 RGB 通道上评估而非 Y 通道。这两条口径可以直接在仓库的测试配置中得到印证。以 options/test/EDSR/test_EDSR_Mx4.yml 为例验证指标配置为metrics: psnr: type: calculate_psnr crop_border: 4 # 裁剪 scale4 个边距像素 test_y_channel: false # 在 RGB 通道评估 ssim: type: calculate_ssim crop_border: 4 test_y_channel: false该配置还展示了官方模型的完整引用方式network_g.type: EDSRnum_feat: 64、num_block: 16即命名中的f64b16输入归一化rgb_mean: [0.4488, 0.4371, 0.4040]权重路径为experiments/pretrained_models/EDSR/EDSR_Mx4_f64b16_DIV2K_official-0c287733.pth并设置strict_load_g: true严格加载。测试入口命令为python basicsr/test.py -opt options/test/EDSR/test_EDSR_Mx4.yml更多命令形态见 docs/TrainTest.md。官方模型基线EDSR官方转换模型在 Set5 / Set14 / DIV2K100 三个测试集上的 PSNR/SSIMExp NameSet5 (PSNR/SSIM)Set14 (PSNR/SSIM)DIV2K100 (PSNR/SSIM)EDSR_Mx2_f64b16_DIV2K_official-3ba7b08635.7768 / 0.944231.4966 / 0.893934.6291 / 0.9373EDSR_Mx3_f64b16_DIV2K_official-6908f88a32.3597 / 0.90328.3932 / 0.809630.9438 / 0.8737EDSR_Mx4_f64b16_DIV2K_official-0c28773330.1821 / 0.864126.7528 / 0.743228.9679 / 0.8183EDSR_Lx2_f256b32_DIV2K_official-be38e77d35.9979 / 0.945431.8583 / 0.897135.0495 / 0.9407EDSR_Lx3_f256b32_DIV2K_official-3660f70d32.643 / 0.90628.644 / 0.815231.28 / 0.8798EDSR_Lx4_f256b32_DIV2K_official-76ee1c8f30.5499 / 0.870127.0011 / 0.750929.277 / 0.8266这些实验名与 scripts/download_pretrained_models.py 中EDSR类别的 6 个权重文件完全一一对应可通过python scripts/download_pretrained_models.py EDSR获取。BasicSR 复现模型基线与实验命名规范复现模型与官方模型的指标非常接近如203_EDSR_Mx4...的 DIV2K100 为 28.9506/0.818官方为 28.9679/0.8183可作为用 BasicSR 训练管线即可对齐官方结果的实证。实验名规范定义在 docs/Config.md。以001_MSRResNet_x4_f64b16_DIV2K_1000k_B16G1_wandb为例001用于管理实验的索引MSRResNet模型名Modified SRResNetx4_f64b16关键结构参数——上采样倍率 4、中间特征通道数 64、残差块 16 个DIV2K训练数据为 DIV2K1000k总训练迭代数为 1000kB16G1batch size 为 16使用 1 张 GPUwandb使用 wandb logger训练过程已上传到 wandb。另外若实验名中包含debug程序将进入 debug 模式日志与验证更密集且不启用 tensorboard 与 wandb logger。复现模型的完整基线如下Exp NameSet5 (PSNR/SSIM)Set14 (PSNR/SSIM)DIV2K100 (PSNR/SSIM)001_MSRResNet_x4_f64b16_DIV2K_1000k_B16G1_wandb30.2468 / 0.865126.7817 / 0.745128.9967 / 0.8195002_MSRResNet_x2_f64b16_DIV2K_1000k_B16G1_001pretrain_wandb35.7483 / 0.944231.5403 / 0.893734.6699 / 0.9377003_MSRResNet_x3_f64b16_DIV2K_1000k_B16G1_001pretrain_wandb32.4038 / 0.903228.4418 / 0.810630.9726 / 0.8743004_MSRGAN_x4_f64b16_DIV2K_400k_B16G1_wandb28.0158 / 0.808724.7474 / 0.662326.6504 / 0.7462201_EDSR_Mx2_f64b16_DIV2K_300k_B16G1_wandb35.7395 / 0.94431.4348 / 0.893434.5798 / 0.937202_EDSR_Mx3_f64b16_DIV2K_300k_B16G1_201pretrain_wandb32.315 / 0.902628.3866 / 0.808830.9095 / 0.8731203_EDSR_Mx4_f64b16_DIV2K_300k_B16G1_201pretrain_wandb30.1726 / 0.864126.721 / 0.74328.9506 / 0.818204_EDSR_Lx2_f256b32_DIV2K_300k_B16G1_wandb35.9792 / 0.945331.7284 / 0.895934.9544 / 0.9399205_EDSR_Lx3_f256b32_DIV2K_300k_B16G1_204pretrain_wandb32.6467 / 0.905728.6859 / 0.815231.2664 / 0.8793206_EDSR_Lx4_f256b32_DIV2K_300k_B16G1_204pretrain_wandb30.4718 / 0.869526.9616 / 0.750229.2621 / 0.8265命名中还能读出训练策略信息002/202/205等实验名尾部的001pretrain、201pretrain、204pretrain表示该实验从更小倍率模型如 x2的权重热启动这是超分模型跨尺度迁移训练的常见做法。视频超分辨率评测口径与 EDVR 基线视频超分的评测口径与图像不同Model Zoo 文档 明确评估时包含所有输入帧除非另有说明不裁剪任何边距像素不使用 self-ensemble翻转测试或其他任何后处理手段。这与测试配置一致options/test/EDVR/test_EDVR_L_x4_SR_Vimeo90K.yml 中 PSNR 指标设置crop_border: 0、test_y_channel: falseRGB 评估。EDVR 命名规范EDVR 的命名遵循EDVR_(训练数据集)_(赛道名)_(模型复杂度)赛道名来自 NTIRE 2019 视频复原挑战赛的四条赛道SR固定下采样核的超分辨率常用 MATLAB bicubic 下采样核是此前大多数视频超分方法关注的设置SRblur输入额外带有运动模糊deblur标准去模糊运动模糊deblurcomp运动模糊 视频压缩伪影。模型复杂度LLarge通道数 128、后部残差块数 40为参赛提交所用配置MModerate通道数 64、后部残差块数 10。这一复杂度定义可直接对照 options/test/EDVR/test_EDVR_L_x4_SR_Vimeo90K.yml 中的网络配置num_feat: 128、num_reconstruct_block: 40另有num_extract_block: 5、deformable_groups: 8、with_tsa: true权重文件为experiments/pretrained_models/EDVR/EDVR_L_x4_SR_Vimeo90K_official-162b54e4.pth。EDVR 基线结果Model name[Test Set] PSNR/SSIMEDVR_Vimeo90K_SR_L[Vid4] (Y) 27.35 / 0.8264(RGB) 25.83 / 0.8077EDVR_REDS_SR_M[REDS] (RGB) 30.53 / 0.8699EDVR_REDS_SR_L[REDS] (RGB) 31.09 / 0.8800EDVR_REDS_SRblur_L[REDS] (RGB) 28.88 / 0.8361EDVR_REDS_deblur_L[REDS] (RGB) 34.80 / 0.9487EDVR_REDS_deblurcomp_L[REDS] (RGB) 30.24 / 0.8567注Y 或 RGB 表示在 Y亮度通道或 RGB 通道上评估Vid4 结果的 Y 通道数值是参赛时的常用口径。NTIRE19 竞赛 Stage 2 模型Model name[Test Set] PSNR/SSIMEDVR_REDS_SR_Stage2[REDS] (RGB) /EDVR_REDS_SRblur_Stage2[REDS] (RGB) /EDVR_REDS_deblur_Stage2[REDS] (RGB) /EDVR_REDS_deblurcomp_Stage2[REDS] (RGB) /原文档中 Stage 2 模型的数值列为空仅保留模型条目与结果链接位。DUF 与 TOF官方模型转换的基线与边界处理差异这两组模型由论文官方发布权重直接转换而来。转换模型与官方原始代码运行结果可能存在微小差异Model Zoo 文档 对每个差异都给出了脚注说明理解这些脚注对复现对比实验至关重要。DUFModel name[Test Set] PSNR/SSIMOfficial ResultsDUF_x4_52L_official[Vid4] (Y) 27.33 / 0.8319(RGB) 25.80 / 0.8138(Y) 27.33 / 0.8318(RGB) 25.79 / 0.8136DUF_x4_28L_official[Vid4]DUF_x4_16L_official[Vid4]DUF_x3_16L_official[Vid4]DUF_x2_16L_official[Vid4]关键脚注DUF 因边界效应明显评估时裁剪图像边界 8 个像素——这是视频模型中对图像评测口径裁scale像素的例外对比 DUF 结果时必须注意Official Results 是运行官方代码与官方模型得到的结果边界帧策略不同官方代码对边界帧使用zero padding而 BasicSR 转换版本采用new_info策略。脚本中DUF类别包含全部 5 个倍率/深度x2_16L、x3_16L、x4_16L、x4_28L、x4_52L的权重文件python scripts/download_pretrained_models.py DUF可一次性取回表格中除 52L 外数值留空表示仓库文档未补全这些变体的评测数字但权重本身可用。TOFModel name[Test Set] PSNR/SSIMOfficial ResultsTOF_official[Vid4] (Y) 25.86 / 0.7626(RGB) 24.38 / 0.7403(Y) 25.89 / 0.7651(RGB) 24.41 / 0.7428关键脚注官方结果由官方代码与模型运行得到TOFlow 官方未提供边界帧恢复策略官方侧直接采用replicate策略转换模型因实现细节不同结果与官方略有差异BasicSR 转换版使用new_info策略处理边界帧。对应测试配置见 options/test/TOF/test_TOF_official.yml权重文件为experiments/pretrained_models/TOF/tof_x4_vimeo90k_official-32c9e01f.pth。实战串联从下载到复现基线数字将上述内容串成一条可执行流程均需在仓库根目录下运行下载模型python scripts/download_pretrained_models.py EDSR python scripts/download_pretrained_models.py EDVR文件落入experiments/pretrained_models/{方法}/下。若你还要评测 BasicVSR别忘了其光流网络依赖flownet类别options/test/BasicVSR/test_BasicVSR_Vimeo90K_BIx4.yml 中spynet_path指向experiments/pretrained_models/flownet/spynet_sintel_final-3d2a1287.pth该文件同样可通过脚本下载method传flownet。检查测试配置确认path.pretrain_network_g路径、network_g结构与权重文件一致strict_load_g: true保证权重完整加载。例如 EDSR 官方配置 options/test/EDSR/test_EDSR_Mx4.ymlx2/x3 倍率同理options/test/EDSR/下还有test_EDSR_Lx2.yml等完整集合。准备测试数据配置中datasets的dataroot_gt/dataroot_lq指向datasets/Set5、datasets/Set14、datasets/DIV2K等目录数据准备方式见 docs/DatasetPreparation.md。运行评测# 单 GPU PYTHONPATH./:${PYTHONPATH} CUDA_VISIBLE_DEVICES0 \ python basicsr/test.py -opt options/test/EDSR/test_EDSR_Mx4.yml # 多 GPU8 卡示例视频模型常用 CUDA_VISIBLE_DEVICES0,1,2,3,4,5,6,7 \ ./scripts/dist_test.sh 8 options/test/EDVR/test_EDVR_M_x4_SR_REDS.yml核对指标将val.metrics输出与上文基线表对照。若偏差明显优先检查三点crop_border是否与该模型的评测口径一致图像 4 / 视频 0 / DUF 8、test_y_channel的 Y/RGB 口径、以及边界帧策略new_info/replicate/zero padding。复现模型方面BasicSR 还上传了完整的训练日志与训练曲线入口在 docs/ModelZoo.md 头部链接配合 docs/Config.md 的实验名规范可以按实验索引如201、204逐一追溯哪个配置、多少迭代、什么硬件训练出了表中每一行数字。这种权重 日志 曲线 命名规范四件套齐备的模型库组织方式是 BasicSR 基线可审计、可对比的核心价值所在。赞分享人工智能深度学习计算机视觉图像处理视频处理【免费下载链接】BasicSROpen Source Image and Video Restoration Toolbox for Super-resolution, Denoise, Deblurring, etc. Currently, it includes EDSR, RCAN, SRResNet, SRGAN, ESRGAN, EDVR, BasicVSR, SwinIR, ECBSR, etc. Also support StyleGAN2, DFDNet.项目地址https://gitcode.com/gh_mirrors/ba/BasicSR点击查看免费下载相关推荐Detectron2 Model Zoo 完全解读官方预训练模型库、主干网络基线与可复现训练基线Detectron2 Model Zoo 完全解读官方预训练模型库、主干网络基线与可复现训练基线 本文以仓库根目录的 MODEL_ZOO.md 为核心系统梳人工智能计算机视觉深度学习机器学习YOLOX Model Zoo 全解析标准/轻量模型基准、源码配置与 COCO 复现指南YOLOX Model Zoo 全解析标准/轻量模型基准、源码配置与 COCO 复现指南 导读 本文基于 YOLOX 官方文档 docs/model_zoo.人工智能计算机视觉深度学习OOTDiffusion 中的 DensePose-RCNN 模型库Model Zoo基线全解析COCO DensePose 预训练权重、配置文件与复现指南OOTDiffusion 中的 DensePose RCNN 模型库Model Zoo基线全解析COCO DensePose 预训练权重、配置文件与复现指人工智能计算机视觉媒体生成AI 应用上一篇如何获取加密密钥RPG-Maker-MV-Decrypter密钥检测方法详解下一篇JsonToKotlinClass库版本使用指南在代码中动态生成Kotlin类创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
