image-amazing / raisr

Implement of "RAISR: Rapid and Accurate Image Super Resolution"

实现论文：Y. Romano, J. Isidoro, and P. Milanfar, "RAISR: Rapid and Accurate Image Super Resolution"

环境：Matlab R2016a

直接运行 runRAISRTest.m 就能完成训练和测试的全过程。可以直接更改 scale 和 LR_patch_size 的值，训练代码能根据给定的这两个参数来进行新的训练。

RAISR 的训练过程较长，因为要从插值后的 HR 图像中提取 patch，大概需要 3-4 小时。训练好的结果已经保存在 RAISR_result 文件夹下，直接把 runRAISRTest.m 的 22、23 行注释掉就能直接进行测试。

结果

用的 patch_size 为 11，scale 为 3，从训练图像中提取出了 7000w 的 patch 进行训练。

计算时间在 MacOS, 2 GHz Intel Core i5, 8 GB 1867 MHz LPDDR3 下进行测试得出；其中用的 Bicubic 方法为自己实现的，没有实现 Antialiasing 功能：

Set14	Bicubic		RAISR
	PSNR	SSIM	PSNR	SSIM	Time
baboon	21.53	0.54	23.39	0.60	28.01s
barbara	24.74	0.76	26.48	0.78	49.26s
bridge	23.42	0.66	24.85	0.70	31.38s
coastguard	25.20	0.63	26.97	0.66	12.16s
comic	22.55	0.72	24.09	0.76	10.05s
face	31.66	0.78	33.61	0.82	8.62s
flowers	26.88	0.81	28.43	0.84	21.98s
foreman	28.69	0.90	31.24	0.92	12.25s
lenna	31.40	0.86	33.15	0.88	29.24s
man	26.28	0.75	27.88	0.79	32.24s
monarch	29.17	0.92	30.96	0.93	50.26s
pepper	29.47	0.86	31.65	0.88	31.51s
ppt3	23.29	0.89	24.82	0.91	42.16s
zebra	26.69	0.81	28.65	0.84	27.63s
AVERAGE	26.50	0.78	28.30	0.81	28.13s

结果也与论文给出的测试结果相近：

选部分结果进行展示：

baboon 的鼻子处的噪点更平滑了。

flowers 的所有过渡的边缘部分都变得没有那么锐利，过渡更自然。

foreman 的结果有了很大的提高，主要是因为后方墙壁的边缘很好的平滑掉了，SF 的结果中墙壁的边缘有很多噪点，而 RAISR 的中不会出现。

可见 RAISR 的结果比 SF 看起来都更加自然和平滑，并且基本都有更高的 PSNR 值。