#超分辨率

Final2x

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

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。

sd-webui-stablesr

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

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。

SRGAN

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。

aura-sr

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

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。

Awesome-diffusion-model-for-image-processing

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。

ru-dalle

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。