超分辨率重建——BSRN网络训练自己数据集并推理测试（详细图文教程）

一、BSRN网络总结

BSRN（Blueprint Separable Residual Network）是一种轻量级的单图像超分辨率网络。它的设计灵感来自于残差特征蒸馏网络 (RFDN)和蓝图可分离卷积 (BSConv)。BSRN采用了与RFDN类似的架构，同时引入了一种更高效的蓝图浅残差块 (blueprint shallow residual block, BSRB)，即在RFDN的浅层残差块 (shallow residual block, SRB)中使用BSConv替换标准卷积。

BSRN的特点：

高效性：BSRN-S的一个较小的变体在NTIRE 2022 Efficient SR Challenge的模型复杂度赛道中获得了第一名。

轻量级：BSRN的设计目标是在保持高性能的同时，降低模型的复杂性和计算成本。

注意力机制：BSRN引入了两个注意力模块，即增强空间注意力 (ESA)和对比通道注意力 (CCA)，从空间和通道的角度增强模型的能力。

二、源码包准备

本教程配套源码包获取方法文章末扫码到公众号「视觉研坊」中回复关键字：超分辨率重建BSRN。获取下载链接。

官网源码包链接为：BSRN

论文地址：论文

我提供的配套源码包下载解压后的样子如下：

源码包中提供了100张训练集，还有部分测试集，位于跟目录下的datasets文件夹中，见下：

三、环境准备

3.1 报错KeyError: “No object named ‘BSRN’ found in ‘arch’ registry!”

如果下载官网源码包后，直接运行测试，可能会报错：

该问题是由于之前使用pip install basicsr命令安装了basicsr包，对于该网络，必须安装basicsr源码包，具体安装方法见3.2。

3.2 安装basicsr源码包

源码包中根目录下有setup.py文件。

在终端使用安装命令，版本为1.3.4.9：

python setup.py develop

安装成功的样子如下：

3.3 参考环境

下面是我自己的训练和测试环境，仅供参考，其它版本也可以：

四、数据集准备

该网络要求为lmdb格式的数据集，关于lmdb格式数据集的制作，参考我的另外一篇博文：lmdb文件制作

在我提供的源码包中，make_lmdb.py脚本就是制作lmdb数据集的，修改路径后可直接使用。

制作好后的lmdb文件内容如下：

五、训练

5.1 配置文件参数修改

训练前，需要在train_BSRN_x4.yml配置文件中修改一些参数，常用修改参数见下：

5.2 启动训练

下面有两中启动训练方式，任选一种都可以。

5.2.1 命令方式训练

在终端输入命令：

python basicsr/train.py -opt options/train/train_BSRN_x4.yml

5.2.2 配置Configuration方式训练

先打开Configuration，在其中添加参数。

配置好后，直接run就行。

正常训练过程如下：

5.3 模型保存

训练的最终结果保存在路径下：BSRN\experiments\

六、测试

6.1 配置文件参数修改

在benchmark_BSRN_x4.yml配置文件中修改相关测试参数。

修改超分倍数:

修改测试集路径：

修改模型路径：

6.2 启动测试

测试方式也是有两种，任选一种即可。

6.2.1 命令方式测试

在终端输入测试命令：

python basicsr/test.py -opt options/test/benchmark_BSRN_x4.yml

6.2.2 配置Configuration方式测试

配置文件中添加参数：

输出如下：

6.3 测试结果

测试结果最终会自动保存到根目录下的BSRN\results文件夹中：

七、推理速度

GPU测试环境：Nvidia GeForce RTX 3050。

CPU测试环境：12th Gen Intel® Core™ i7-12700H 2.30 GHz。

下面是不同分辨率在不同平台即不同超分倍数下推理耗时：

八、效果展示

下面展示图中，最左侧图为原图通过OpenCv直接上采样4倍图，中间为BSRN网络超分4倍结果，最右侧为高分辨率原图。

九、总结

以上就是超分辨率重建BSRN网络训练自己数据集并推理测试的详细图文教程，超分效果学者自行评价，对比其它网络效果参考我超分辨率重建专栏。

总结不易，多多支持，谢谢！

感谢您阅读到最后！关注公众号「视觉研坊」，获取干货教程、实战案例、技术解答、行业资讯！