#超分辨率

ru-dalle是一个开源的图像生成工具，能够将文本描述转换成详细的图像。采用预训练模型，支持多种风格，包括Malevich、Emojich等，适用于多种应用场景，如艺术设计、内容创作等。该项目提供易于使用的API，允许用户快速生成高分辨率图像，并支持图片微调和超分辨率处理，使图像更加精细和真实。

Final2x是一个开源的跨平台图片超分辨率工具，提供多种模型包括RealCUGAN、RealESRGAN和Waifu2x，旨在无损质量地提升图片清晰度。支持各主要操作系统如Windows、MacOS和Linux，并允许用户自定义输出尺寸，适配多语言环境。

Fast-SRGAN是一个开源项目，基于SR-GAN架构和Pixel Shuffle技术，旨在实现实时超分辨率视频放大。实验证明，在MacBook M1 Pro GPU上可以达到720p视频的30fps处理速度。项目提供预训练模型并支持自定义训练参数，用户可通过配置文件或命令行参数进行设置并在Tensorboard上监控训练进度。欢迎社区贡献意见和改进。

此页面介绍了StableSR项目及其主要功能和用途。StableSR显著提升了图像细节和色彩准确度，并降低显存需求，适用于综合性图像处理。提供了SD2.1 768和512版本以支持高分辨率处理。此外，项目通过负提示词进一步优化图像质量，适合摄影、动漫及AIGC图像的超分辨率处理，且提供详细的安装和使用指南。

NAFNet是一种无需非线性激活函数的图像修复网络，通过简单的基线超过现有SOTA方法并显著降低计算成本。在GoPro数据集上，该网络的图像去模糊性能达到33.69 dB PSNR，在SIDD数据集上的图像去噪性能为40.30 dB PSNR，均显著超越前代SOTA性能。NAFNet适用于图像去噪、去模糊和立体图像超分辨率等任务。

本项目展示了使用生成对抗网络（GAN）如何实现单图像的高分辨率超分辨率。使用预训练的VGG19模型和高分辨率图像进行训练，支持多种深度学习框架，如TensorFlow、PaddlePaddle、MindSpore，未来还将支持PyTorch。项目提供完整的训练和评估指南，并通过简单的代码修改可以切换不同的后端框架。适用于图像处理和计算机视觉领域的研究人员和开发人员，项目中展示了技术实现的详细结果，还提供了参考文献和讨论资源。

AuraSR是一款基于GAN技术的图像超分辨率工具，专为真实世界图像设计。作为GigaGAN论文的变体，它用于图像条件下的放大。该开源项目基于Torch实现，提供简洁的Python API，支持4倍图像放大，并能减少接缝伪影。AuraSR安装使用便捷，为开发者和研究者提供了强大的图像处理工具，适用于多种需要高质量图像增强的场景。

AnimeSR是一个专为动画视频设计的超分辨率模型。该项目采用创新技术学习真实世界的动画视频超分辨率，有效提升视频清晰度和质量。AnimeSR提供预训练模型、推理脚本和训练代码，可处理单帧图像和视频。该模型在保持动画风格的同时，能实现更自然的纹理和背景恢复，并减少伪影。项目还发布了AVC数据集用于模型训练和测试。

本项目汇总了扩散模型在图像处理领域的最新研究进展，涵盖图像复原、增强、编码和质量评估等方面。重点关注图像超分辨率、修复和去噪等任务，提供全面的调查报告和定期更新的研究成果。项目收录了大量相关开源代码和数据集资源，为研究人员提供了重要的参考信息。

DeSRA项目开发了创新方法，用于检测和消除GAN实际场景超分辨率模型中的伪影。该方法能高效识别伪影区域，通过微调策略消除同类伪影，只需少量样本即可。这一技术突破缩小了超分辨率算法在实际应用中的差距，为图像质量提升开辟了新途径。

Real-ESRGAN是一个开源的AI图像超分辨率增强项目。该项目采用纯合成数据训练,可提升各类图像和视频质量。Real-ESRGAN提供多个预训练模型,适用于通用、动漫、人脸等场景,支持4倍及以上放大。项目包含Python脚本和便携式可执行文件,方便快速使用。此外,Real-ESRGAN开放训练代码,允许在自定义数据集上进行微调。

ComfyUI-APISR是基于APISR模型的非官方实现，专为动漫图像和视频超分辨率处理设计。此插件提供2x和4x两种模型，支持GPU和CPU运算，可处理图像和视频。项目以高速度和优质效果为特点，提供批处理和逐帧处理两种模式，适应不同显存需求。通过简单的节点操作，ComfyUI-APISR实现动漫作品的画质提升，是ComfyUI平台上便捷的动漫超分辨率工具。

该项目利用TensorRT加速视频超分辨率和帧插值模型，致力于提供最快的推理速度。支持Rife、RealCUGAN、GMFupSS等多种模型架构，同时提供CUDA和TensorRT版本。项目集成了自动去重、镜头边界检测等功能，并支持多GPU。通过Docker，可以方便地部署和使用这些高性能模型。

SRGAN-PyTorch是一个开源项目，实现了基于生成对抗网络的单图像超分辨率算法。该项目能够将图像放大4倍，同时保持高质量和细节。它提供了完整的训练和测试流程，包括预训练模型、数据集处理脚本和性能评估。研究者和开发者可以利用此项目复现原论文结果或在自定义数据上应用SRGAN技术。

Nightmare AI是一款强大的在线图像增强工具，能够显著提升照片、动漫和普通图像的质量和清晰度。它支持将图像放大至2K和4K分辨率，同时保持细节完整。基于先进的Real-ESRGAN技术，Nightmare AI提供照片去模糊、动漫优化和通用图像放大等功能。用户可以通过免费版本轻松体验这一AI驱动的图像增强技术，适用于需要高质量图像输出的各种场景。

该网站提供基于人工智能的全面照片修复和增强服务。功能包括老照片修复、图像去模糊、去雨、去雾、夜间图像增强、黑白照片上色以及提高图像分辨率。网站致力于帮助用户恢复和优化珍贵的照片记忆，操作简便，效果显著，是一个多功能的AI图像处理平台。

SupaRes是一个一站式自动化智能图像处理平台，为网页设计、房地产、营销和出版等多个行业提供高效服务。其功能涵盖超分辨率、人脸增强、色调调整和去噪等。平台集成了强大的图像管理、团队协作和云存储功能。借助先进的AI技术和高性能硬件设施，SupaRes确保快速处理速度和优质服务。新用户可免费注册体验这一全方位智能图像增强平台，享受AI驱动的图像优化体验。

该项目整理汇总了ICCV2023会议发表的低层视觉领域论文和相关代码实现。内容涵盖图像恢复、超分辨率、去噪、去模糊等多个研究方向,并进行了分类整理。项目提供论文链接和代码仓库地址,方便研究者快速查找所需资源。同时还收录了其他相关会议的低层视觉论文集合链接,为该领域研究提供全面的参考资料。

CCSR项目专注于提高扩散模型在内容一致超分辨率任务中的稳定性。项目引入全局标准差(G-STD)和局部标准差(L-STD)两个新指标，用于评估基于扩散的方法在超分辨率结果中的图像级和像素级变化。实验表明，CCSR在真实世界和双三次超分辨率任务中均有优异表现，能够生成更稳定、高质量的图像。项目提供开源代码、预训练模型和在线演示，方便研究人员和开发者使用。

项目提供了丰富的超分辨率技术资源，包括按年份和主题分类的论文列表、数据集和代码仓库。内容涵盖2014年至2024年的研究成果，包括传统方法、深度学习方法、非深度学习方法以及超分辨率研讨会论文。资源库还收录了超分辨率调查报告，并设有快速导航功能，为研究人员和开发者提供便捷的资源检索体验。

BasicSR是基于PyTorch的图像和视频复原工具箱，实现了ESRGAN、BasicVSR等多种先进算法。它支持超分辨率、去噪、去模糊等任务，并提供训练测试指南、数据集准备工具和模型库。该项目为图像复原研究提供了一个功能丰富的开源平台，方便研究人员进行算法开发和性能对比。

PaddleGAN是基于PaddlePaddle开发的开源GAN框架,实现了多种经典和前沿GAN模型。框架支持快速开发和部署GAN应用,适用于学术研究和工业应用。主要功能包括图像翻译、人脸编辑、视频修复等,并提供详细教程和在线体验。PaddleGAN持续更新最新GAN技术,为开发者提供高效易用的GAN开发工具。

VSGAN是一个为VapourSynth开发的超分辨率和图像修复处理模块，基于PyTorch实现。该模块利用深度学习技术，提供视频和图像的高质量超分辨率和修复功能。VSGAN兼容Python 3.7+和VapourSynth R55+版本，在GitHub上开源并提供详细文档。这个持续更新的项目为视频处理爱好者和专业人士提供了强大的图像增强工具。

Waifu2x-Extension-GUI是一款集成多种AI算法的开源多媒体处理工具，支持图片、GIF和视频的超分辨率放大及帧率提升。可处理2D动漫和实景内容，兼容AMD/Nvidia/Intel GPU加速。软件提供友好界面和灵活设置，支持多GPU并行处理以提高效率。项目持续更新，是图像视频质量提升的有力工具。

Upscalepics是一款工具，专注于提升图像分辨率和品质，适合摄影师和设计师使用。通过现代机器学习技术，能够在不损失图像内容的前提下提升清晰度，支持多种图片格式。

Karlo v1 alpha通过优化的unCLIP架构提供了文本条件图像生成方案，提升了图像超分辨率性能。该模型在7个降噪步骤中将图像从64px扩展到256px，增强了高频细节表现。项目使用diffusers库，便于高性能GPU上的简便实现。模型在115M图像文本对上进行从头训练，并应用DDPM目标与VQ-GAN风格损失进行优化。

Karlo v1 alpha利用OpenAI的unCLIP架构实现文本条件下的图像生成。通过改进的超分辨率模块，该模型在有限的去噪步骤中将图像分辨率从64px提升至256px。Karlo在COYO-100M、CC3M和CC12M等数据集上训练，具备优良的图像生成效果，并采用前置、解码及超分辨率模块实现高效处理。还支持生成图像变化，丰富视觉体验。