Lornatang/SRGAN-PyTorch

解決的問題

本專案解決了在大幅放大影像時恢復細緻紋理細節的問題。傳統的超解析度方法通常會產生缺乏高頻細節的影像，因為它們專注於最小化像素級重建誤差，導致視覺感知上不令人滿意。

工作原理

這是 SRGAN（超解析度生成對抗網路）架構的 PyTorch 重實作。系統使用由深度殘差網路（生成器）與判別器組成的生成對抗網路。它採用感知損失函數，結合對抗損失（推動輸出趨近自然影像流形）與內容損失（專注於感知相似性，而非單純的像素空間相似性）。

適用對象

本專案專為對影像超解析度、生成對抗網路感興趣的研究人員與開發者設計，也適合尋找原始 SRGAN 論文忠實 PyTorch 實作的人群。

特色亮點

• 完全逐操作的 PyTorch 重實作 SRGAN 論文。
• 支援 4 倍放大以獲得照片級真實感效果。
• 包含下載權重與資料集（ImageNet、Set5）的指令碼。
• 提供 SRResNet 與 SRGAN 模型的訓練與測試設定。