基于PaddleGAN的LSERCNN模型实现卡通画超分
本文介绍基于PaddleGAN的LSERCNN模型实现卡通画超分的流程：先通过GitHub或Gitee安装PaddleGAN，解压并链接卡通画超分数据集；修改配置文件参数后训练模型，再用训练好的模型测试；最后展示了LESRCNN模型的实验结果，包括PSNR、SSIM等指标及模型下载方式。
基于PaddleGAN的LSERCNN模型实现卡通画超分
1.实现卡通画超分
基于PaddleGAN的LSERCNN模型 实现卡通画超分
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
1.1 安装PaddleGAN
PaddleGAN的安装目前支持Clone GitHub和Gitee两种方式：
In [ ]# 安装ppgan# 当前目录在: /home/aistudio/, 这个目录也是左边文件和文件夹所在的目录# 克隆最新的PaddleGAN仓库到当前目录# !git clone https://github.com/PaddlePaddle/PaddleGAN.git# 如果从github下载慢可以从gitee clone：!git clone https://gitee.com/paddlepaddle/PaddleGAN.git# 安装Paddle GAN%cd PaddleGAN/!pip install -v -e .登录后复制
1.2 数据准备
我们为大家准备了处理好的超分数据集卡通画超分数据集
In [ ]# 回到/home/aistudio/下%cd /home/aistudio# 解压数据!unzip -q data/data80790/animeSR.zip -d data/# 将解压后的数据链接到` /home/aistudio/PaddleGAN/data `目录下!mv data/animeSR PaddleGAN/data/登录后复制
1.2.1 数据集的组成形式
PaddleGAN ├── data ├── animeSR ├── train ├── train_X4 ├── test └── test_X4登录后复制
训练数据集包括400张卡通画，其中train中是高分辨率图像，train_X4中是对应的4倍缩小的低分辨率图像。测试数据集包括20张卡通画，其中test中是高分辨率图像，test_X4中是对应的4倍缩小的低分辨率图像。
1.2.2 数据可视化
In [ ]import osimport cv2import numpy as npimport matplotlib.pyplot as plt# 训练数据统计train_names = os.listdir('PaddleGAN/data/animeSR/train')print(f'训练集数据量: {len(train_names)}')# 测试数据统计test_names = os.listdir('PaddleGAN/data/animeSR/test')print(f'测试集数据量: {len(test_names)}')# 训练数据可视化img = cv2.imread('PaddleGAN/data/animeSR/train/Anime_1.webp')img = img[:,:,::-1]plt.figure()plt.imshow(img)plt.show()登录后复制 数据可视化展示(展示数据集其中几张)：
1.3 选择超分模型
PaddleGAN中提供的超分模型包括RealSR, ESRGAN, LESRCNN, DRN等，详情可见超分模型。
接下来以LESRCNN为例进行演示。
1.3.1 修改配置文件
所有模型的配置文件均在/home/aistudio/PaddleGAN/configs目录下。
找到你需要的模型的配置文件，修改模型参数，一般修改迭代次数，num_workers，batch_size以及数据集路径。有能力的同学也可以尝试修改其他参数，或者基于现有模型进行二次开发，模型代码在/home/aistudio/PaddleGAN/ppgan/models目录下。
以LESRCNN为例，这里将将配置文件lesrcnn_psnr_x4_div2k.yaml中的
参数total_iters改为50000
参数dataset：train：num_workers改为4
参数dataset：train：batch_size改为16
参数dataset：train：gt_folder改为data/animeSR/train
参数dataset：train：lq_folder改为data/animeSR/train_X4
参数dataset：test：gt_folder改为data/animeSR/test
参数dataset：test：lq_folder改为data/animeSR/test_X4
1.4 训练模型
以LESRCNN为例，运行以下代码训练LESRCNN模型。
如果希望使用其他模型训练，可以修改配置文件名字。
In [ ]%cd /home/aistudio/PaddleGAN/!python -u tools/main.py --config-file configs/lesrcnn_psnr_x4_div2k.yaml登录后复制
1.5 测试模型
以LESRCNN为例，模型训练好后，运行以下代码测试LESRCNN模型。
其中/home/aistudio/pretrained_model/LESRCNN_PSNR_50000_weight.pdparams是刚才ESRGAN训练的模型参数，同学们需要换成自己的模型参数。
如果希望使用其他模型测试，可以修改配置文件名字。
In [ ]%cd /home/aistudio/PaddleGAN/!python tools/main.py --config-file configs/lesrcnn_psnr_x4_div2k.yaml --evaluate-only --load /home/aistudio/pretrained_model/LESRCNN_PSNR_50000_weight.pdparams登录后复制
1.6 实验结果展示及模型下载
这里使用LESRCNN模型训练了一个基于PSNR指标的预测模型。
数值结果展示及模型下载
最后效果
相关攻略
Pandas-Profiling，能一键生成包含统计指标、缺失值、相关性等内容的交互式HTML报告，让探索性数据分析（EDA）效率直接翻倍。 很多同学刚接触数据分析时，习惯用df describe(
编辑 | 王凤枝OpenAI想把电脑桌面“包圆”了。在海外，很多人平时的办公状态大概是这样的，开着网页版ChatGPT问问题，切到其他页面去搜资料，然后再打开代码编辑器或者文档开始干活。但就在3月1
文 | 惊蛰研究所，作者 | 娅沁“8人名额仅剩最后几位”“微信二维码仅保留30秒，先到先得”，在刻意营造的紧迫氛围下，京莫迅速支付100元定金，锁定了一个总价5980元的Python小班课程名额，
不懂如何定义工作流的“小白”，装龙虾只是自寻烦恼。文｜《中国企业家》记者 闫俊文见习编辑｜李原编辑｜何伊凡头图来源｜视觉中国2026年开年，养“龙虾（OpenClaw）”热潮愈演愈烈，但一边有人“抢
机器之心编辑部最近，市面上的 “龙虾”（Claw 系列智能体）多到离谱。从本地到云端，从插件到独立系统，形态各异。但繁荣背后，一个尴尬的现状正在蔓延：龙虾越来越强，却越来越难 “下锅”有的只认 Ma
热门专题
热门推荐
华硕联席CEO许先越：苹果MacBook Neo冲击PC生态圈，定位“笔记本形态iPad” PC行业最近又迎来一个重磅话题。科技媒体PCMag日前报道称，在近期的财报电话会议上，华硕联席CEO许先越发表了一个引人瞩目的判断：苹果推出其最便宜的MacBook Neo笔记本，对整个PC行业而言，无疑是一
安伯尼克 Anbernic RG VITA 系列掌机规格揭晓：紫光展锐 T618 瑞芯微 RK3576 芯片 安伯尼克 Anbernic 于昨日通过视频，正式揭开了RG VITA及VITA Pro两款掌机的详细规格面纱。对于关注掌上游戏设备的玩家来说，这波参数放送，信息量着实不小。 具体两款机型
在龙族卡塞尔之门的战场，皇女零的阵容搭配艺术 想在《龙族卡塞尔之门》的战场上最大化皇女零的威力？阵容的搭配可是一门学问。她自身无疑是核心的输出利器，但要让这把利刃发挥极致，就得围绕她构建一个既能稳固防守、又能创造绝佳输出时机的团队。 核心角色选择：强攻与辅佐的默契 皇女零的定位清晰——核心输出。因此
XRP ETF：2025 年的最新发展 如果说2024年是比特币和以太坊ETF的“破冰之年”，那么2025年的聚光灯，无疑转向了XRP。随着现货比特币和以太坊ETF成为主流金融机构的标准配置，全球市场的目光正聚焦于下一个可能爆发的领域：XRP及其各类交易所交易基金（ETF）。从基于期货的美国产品到已
飞读小说APP：三步“读心术”，精准找到你的下一本心头好 面对海量书库，如何在飞读小说里高效率地挑出那本合胃口的好书？这事说难也简单，关键在于摸清楚平台的推荐逻辑和筛选工具。今天，我们就来把这套“选小说”的实用方法论，给你讲明白。 飞读小说app小说选择方法： 第一步，精准定位你的“阅读舒适区”。打