RTC2020_EfficientSR FZU-CS510 冠军开源方案

比赛链接: https://www.dcjingsai.com/v2/cmptDetail.html?id=409
比赛团队(Team)：FZU-CS510
比赛名次及得分：
团队成员：福州大学甘敏教授团队的博士生苏建楠，帝视科技张东阳，澳门大学的博士后研究员陈光永，香港城市大学博士生诸汉炜等

方案分享

1. 数据处理：png图片的不做处理，jpg的GT和LR全部是使用cv2默认的插值，做2倍降采样 (自己从test数据集找答案，或者讨论区交流)
2. 网络设计：
3. 最终使用MSE 作为loss训练，追求极致的PSNR指标
4. 设计思想：降采样处理，减少多种降质之间的gap，同时在2GFlops下，尽可能的增加模型的参数，此外也要兼顾模型的Activations。

代码说明

文件夹的功能如下：
--pretrained-model 存放训练好的模型
--datasets 存放训练数据集和测试集
--results 存在测试的结果图片
--training 存在训练过程中保存的log信息和模型
--codes 存放训练和测试的所有代码

• data 存放数据预处理和加载数据的相关代码
• model 存放模型定义文件
• loss 存放损失函数的定义文件
• utils 存放工具类的相关文件
• train.py 训练模型的文件
• test.py 测试模型的文件
• README.md 模型训练和测试的使用说明和环境配置说明
  

引用

1. IMDN: https://github.com/Zheng222/IMDN
2. AIM2020: https://github.com/cszn/KAIR/blob/master/main_challenge_sr.py
3. SR Paper List: https://github.com/ChaofWang/Awesome-Super-Resolution
4. GCT: https://github.com/z-x-yang/GCT
5. GhostNet: https://github.com/huawei-noah/ghostnet

补充说明

1.网络对输入的图片进行了一次降采样训练，在使用网络进行测试的时候需要保证输入的图片大小是偶数（可以使用padding操作）。