RDN (基于残差密集网络的图像超分辨率) )。
《RDN-TensorFlow-master》有三倍机型。 就这些。 rdn_5_3_64_x3
在这里，c实现了这三倍的重建：
流程图：
密集残差块：
该残差块结构的内部与上一篇ESRGAN (上一篇文章)中的密集残差块相同，但外部略有不同。
定义密集残差块：
输入结构密集残差块//4个卷积层//0； -连续存储-64//064层数据* conv1； //64---- 64//0，1连续存储128层数据* conv2； //128---- 64//0，1，2连续存储192层数据* conv3； //192---- 64//0、1、2、3连续存储256层数据* conv4； //256--64局部特征融合1x1卷积}； 定义模型的数据池和初始化：
结构rdn模型//浅层特征提取层数据* conv1； //3-64层数据* conv2； //64-64//密集残差块int密集残差块数； //5块密集残差块*块//连续存储320层数据* conv3； //320--64特征融合1x1卷积层数据* conv4； //64--64//全局残差相加//扩大层数据* up1； //64-64卷积层数据* up2； //64-32卷积层数据* up3； //32-27卷积//亚像素卷积27-3//输出层数据* out； //3-3卷积//构造函数RDN模型(； (； RDN模型：RDN模型() {int size； 层数据*层；//一阶(宏)/*输入维、输出维、内核宽度(/*输入维、输出维、内核宽度) */#定义初始化ONE层(in、OUT、KW ) (层-输入维=IN； (层-输出维度=OUT； (层-核宽度=KW； (层-权重长度=层-输出维*层-输入维*层-核心宽度*层-核心宽度； (图层-权重)数据=(浮动* )全局(大小)浮动(图层-权重长度)； (层-偏移长度=层-输出维度； (层-偏移)数据=(float* ) malloc (sizeof )层-偏移长度)； #defINe初始化层(ConvX，in，OUT，KW )size=sizeof (层数据)； 层=ConvX=(层数据* )大小； (初始化ONE层(IN、OUT、KW )、(/)名称、输入维、输出维、核心宽度) /初始化层) conv1、3、64、3 )； 初始化层(conv2、64、64、3 )； 密集残差块数=5； size=sizeof (密集残差块)密集残差块数； 块=(密集残差块) ) malloc(size )； 密集残差块*密集残差块0=块； for(intk=0； k密集残差块数； k )初始化层(密集残差块0-conv1、64、64、3 )； 初始化层(密集残差块0-conv2、128、64、3 )； 初始化层(密集残差块0-conv3、192、64、3 )； 初始化层(密集残差块0-conv4、256、64、1 )； 残差块0； }初始化层(conv3、320、64、1 )； 初始化层(conv4、64、64、3 )； 初始化层(UP1、64、64、5； 初始化层(UP2、64、32、3； 初始化层(UP3、32、27、3； 初始化层(out、3、3、3 )； }主函数：
voidRDN(char*savefilename，rdn型号sr ) {//int wid=bmp.width； int hei=bmp.height； cout '输入图像宽度：“widendl； cout '高度：“heiendl； //卷积层RGB(wid，hei，3 )； rgb.data=new float[wid * hei * 3 ]； //jpg转换为RGB卷积层BMP2RGB(RGB )； ---------------------层数据*层； //交替预传输两个卷积层(源、目标)//由此卷积层(di=(卷积层) ) ) malloc (sizeof ) ) ) ) ) ) ) ) ) )。 di-width=1； di-height=1； di-depth=1； di-data=new float[1 ]； 卷积层*源、*目标； 源=rgb； 目标=di； int pad； cout '输入级别. ' endl； 卷积前传无relu (Sr.con v1 )； //卷积层conv1备份的备份(wid，hei，源深度)； //F_1conv1备份. data=new float[wid * hei *源-depth ]； 卷积层复制(源、conv1备份)； 卷积前传无relu (Sr.con v2 )； //load_mat2卷积层(' me/F0.txt )，源)； //----------------第二部分5密残块密集残块组件//----------------； 卷积层加法(conv1备份，源)； //load_mat2卷积层(' me/FDF.txt )，源)； 戴尔卷积层(conv1备份)； //3倍放大cout倍放大. ' endl； 卷积前传(sr.up1； 卷积前传(sr.up2； 卷积前传无relu (Sr.up3 )； //子像素卷积wid *=3； hei *=3； Resize卷积层(*目标、wid、hei、3 )； 扩大像素混合组(源、目标)； std:swap (源、目标； //load_mat2卷积层(' me/FU.txt )，源)； 卷积前传无Relu(Sr.out )； cout '生成宽度、高度：'wid '、' heiendl； //load_mat2卷积层(' me/result.txt )，源)； RGB2BMP(*源； del卷积层(*源)； del卷积层(*目标)； 将cout '图像转换为jpg格式. ' endl； 保存文件名(save jpg )； cout '转换文件为： 'savefilenameendl； }效果图：
小照片
RDN 3倍
EDSR 3倍重建(EDSR-PyTorch-master运行结果) ) )。
确实，效果和速度都和EDSR一样。
下载：
win32超分辩重建RDN实用程序
超分辨率重构rdn(3倍)的win32程序基于RDN-TensorFlow-master的模型
3359 download.csdn.net/download/Jue Bai 123/11135013