RealSR: Real-World Super-Resolution via Kernel Estimation and Noise Injection

github：
https://github.com/Tencent/Real-SR

PaddleGAN：
https://github.com/PaddlePaddle/PaddleGAN/blob/develop/docs/zh_CN/apis/apps.md#ppgan.apps.DeOldifyPredictor

from ppgan.apps import RealSRPredictor
sr = RealSRPredictor()
sr.run("docs/imgs/test3.png")
				
通过Sub-Pixel实现图像超分辨率
1.项目介绍
本文则参考论文：Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network ，使用飞桨最新的分支版本，实现了一个轻量级图像的超分辨率模型，旨在带领各位小伙伴快速了解飞桨框架2.0，也可以在此基础上修改、优化模型，实现自己的超分辨率算法。
飞桨PaddlePaddle最近迎来了重大更新，进入了2. 0时
				
使用PaddleHub进行超分辨率生成。(Super Resolution)顾名思义就是对图像的分辨率进行放大。在百度AI Studio上输入：
!pip install paddlehub==1.8.2目前PaddleHub中提供了如下4个图像超分辨率模型的预训练模型，目前所有模型均只支持将图像进行两倍超分辨的操作。
DCSCN(Fast and Accurate Image Super Resolution by Deep CNN with Skip Connection and Network in 
本项目是paperweekly paddlepaddle复现活动的第23篇论文《Single Image Super-Resolution Using Deep Learning》的复现代码。 论文主要介绍了图像超分辨率重建的DNN方法,SRCNN网络。本代码复现了基础模型、修改网络大小的结果和3通道RGB模型的结果，并展示经过超分辨率重建后的图片。
In[1]
# 查看当前挂载...
体验基于PaddleGAN的图像上色、补针、超分等功能，涉及模型包括DAIN、DeOldify、RealSR、DeepRemaster、EDVR、PPMSVSR等。
一、算法原理
1.补帧模型DAIN
DAIN 模型通过探索深度的信息来显式检测遮挡。并且开发了一个深度感知的流投影层来合成中间流。在视频补帧方面有较好的效果。
2.上色模型DeOldify
3.上色模型DeepRemaster
DeepRemaster 模型基于时空卷积神经网络和自注意力机制。并且能够根据输入的任意数量的参考帧对