尧图网页设计 
简介这份资源面向计算机视觉初学者、课程设计学生及需要完成图像超分辨率实验的开发者提供一套可直接运行的Python项目方案。项目基于TensorFlow框架搭建配合NumPy、scipy.misc与PIL.image完成图像处理并依赖NVIDIA GPU、CUDA与cuDNN加速训练适合作为深度学习入门实践或毕业设计参考。压缩包共45个文件约2.84MB包含4个Python源码文件、1份设计报告Word文档、1个Visual Studio解决方案文件以及24张png与10张jpg示例图片另附README、LICENSE等说明文件覆盖模型定义、训练、工具函数与主程序等模块。目前已有1331人学习下载。读者可获得完整可复现的超分辨率训练与推理代码、配套设计报告、项目工程配置及示例图像数据便于快速理解网络结构、跑通实验流程并在此基础上二次开发。1. 拿到这份 Python 图像超分辨率源码先别急着双击运行很多人搜「Python 图像超分辨率」的时候手里其实已经有一堆低分辨率素材了——老照片、监控截图、游戏贴图、论文插图想放大又不想糊成马赛克。这份基于Python的图像超分辨率Image Super Resolution.zip就是冲着这个场景来的它是一套完整的课程设计级工程包含isr_main.py、isr_model.py、isr_train.py、isr_util.py四个核心脚本外加dataset数据集目录、imgs效果对比图1.png 到 5-5-4.png 共二十多张和一份设计报告.docx。技术栈是 TensorFlow NumPy scipy.misc PIL.image训练侧依赖 NVIDIA GPU、CUDA 和 cuDNN工程文件是 Visual Studio 2017 的.sln解决方案。它适合谁一是做课程设计、需要一份能跑通、能改、能写进报告的学生二是想拿一个轻量 SR 工程当练手基线后面自己换数据、换网络结构的工程师。不适合指望开箱即用、一键把 480P 变 4K 的人——这是教学级实现不是商业超分工具。下面按「先看懂结构 → 再跑通训练 → 再避坑 → 最后进阶」的顺序拆。2. 工程结构与数据流四个脚本各管什么2.1 从 .sln 到 Python 入口的调用链这份工程最容易被忽略的一点它不是一个纯命令行项目而是挂在 Visual Studio 2017 的 AI 工具链下的 Python 应用程序。.sln和.pyproj负责把解释器、工作目录、启动脚本绑定好真正干活的还是那几个.py。所以理解调用链比急着点「运行」更重要。典型的数据流是这样的isr_main.py作为入口负责解析参数、加载数据、调用模型、跑训练或推理isr_model.py定义网络结构卷积层、激活、上采样部分isr_train.py封装训练循环、损失计算、优化器步进isr_util.py放图像读写、缩放、PSNR/SSIM 计算这类工具函数。dataset目录提供训练/测试图像imgs目录里的对比图是报告用的效果展示。文件职责你大概率会改的地方isr_main.py入口、参数解析、流程编排数据路径、batch size、epochisr_model.py网络结构定义层数、通道数、上采样倍数isr_train.py训练循环与损失学习率、损失函数、优化器isr_util.py图像处理与指标缩放方式、PSNR 计算dataset/训练与测试图像换成自己的数据imgs/效果对比图报告配图提示先别改代码先把isr_main.py从头到尾读一遍确认它默认读的是哪个目录、输出写到哪里。很多「跑不起来」其实是路径没对上不是代码有问题。2.2 环境配置TensorFlow 版本是第一个分水岭摘要里写得很清楚这套工程依赖 TensorFlow、NumPy、scipy.misc、PIL.image训练还要 NVIDIA GPU CUDA cuDNN。这里有个血泪经验scipy.misc里的imread/imsave在新版 scipy 里已经被移除如果你直接pip install scipy装最新版isr_util.py大概率第一行就报AttributeError。所以环境不能无脑装最新。常见做法是锁一个老版本组合。下面这套是我一般会用的基线具体版本号以你机器上 CUDA 能支持的为准# 建议用 conda 建独立环境避免污染系统 Python conda create -n isr python3.6 conda activate isr # TensorFlow 选与 CUDA/cuDNN 匹配的版本GPU 版才有加速意义 pip install tensorflow-gpu1.15.0 # 关键scipy 锁在 1.2.x保住 scipy.misc.imread / imsave pip install scipy1.2.1 # 图像与数值基础库 pip install numpy1.16.4 pillow6.2.1逻辑说明Python 3.6 是 TF 1.15 官方支持较稳的版本tensorflow-gpu1.15.0对应 CUDA 10.0 cuDNN 7.4 这一档装之前先用nvidia-smi看驱动支持的最高 CUDA 版本。scipy1.2.1是保住scipy.misc图像接口的关键这一步不做后面全是玄学报错。pillow负责PIL.image那条路径版本别太新否则和旧 scipy 的接口容易打架。参数怎么改如果你没有 NVIDIA GPU把tensorflow-gpu换成tensorflow1.15.0CPU 版代码能跑但训练会慢到怀疑人生建议只做推理验证。CUDA 和 cuDNN 的安装不在 pip 里要去 NVIDIA 官方渠道按 TF 版本对应表装装完用一段小脚本验证import tensorflow as tf # 打印 TF 版本和是否识别到 GPU print(TF:, tf.__version__) print(GPU:, tf.test.is_gpu_available())如果第二行输出False别急着改代码先查 CUDA/cuDNN 版本是否和 TF 对得上这是最常见的翻车点。2.3 数据准备与训练启动dataset目录是工程的默认数据源。你要做的第一件事是确认里面的图像格式和数量然后决定是直接用还是换成自己的数据。换成自己的数据时注意两点一是训练图像和测试图像要分开放别混在一起二是图像尺寸尽量统一或者确认isr_util.py里的缩放逻辑能处理你的尺寸。启动训练一般走isr_main.py常见做法是给它传参或直接改脚本顶部的配置。下面是一个典型的启动方式# 激活环境后在工程根目录运行入口脚本 python isr_main.py \ --dataset ./dataset \ --epochs 100 \ --batch_size 16 \ --lr 0.0001逻辑说明--dataset指向数据目录--epochs控制训练轮数--batch_size受显存限制--lr是学习率。参数名以你实际脚本里的argparse定义为准如果脚本没做参数化就直接改isr_main.py里的变量。batch size 怎么定先用 8 试显存没爆再往上加爆了就是CUDA out of memory降一半再来。学习率 1e-4 是这类 SR 任务的常见起点loss 不降就降到 1e-5。训练过程中重点看两个信号loss 是否稳定下降以及imgs目录或输出目录里有没有生成对比图。如果 loss 震荡得厉害先降学习率如果 loss 不动检查数据有没有正常读进来——很多时候是路径写错读了个空目录模型在拟合空气。3. 模型与训练细节超分到底在学什么3.1 从低分到高分的映射逻辑图像超分辨率的本质是学一个从低分辨率图像到高分辨率图像的映射函数。这份工程用的是深度学习路线网络吃进低分图吐出一张高分图然后拿它和真实高分图算损失反向传播更新权重。isr_model.py里的网络结构决定了这个映射的表达能力isr_train.py里的损失函数决定了它往哪个方向优化。常见做法是先用双三次插值把低分图放大到目标尺寸再送进网络做细节修复这样网络只需要学「补细节」而不是「从零造像素」训练更稳。你可以在isr_util.py里找到缩放相关的函数确认它用的是哪种插值方式。如果报告里要写 PSNR/SSIM也是在这个文件里算指标越高说明重建越接近原图但注意 PSNR 高不等于肉眼好看这是两个维度。3.2 训练循环里真正要盯的参数isr_train.py是训练的核心。除了学习率和 batch size还有几个参数值得你动手调一调看看效果差异# 伪代码示意具体以 isr_train.py 实际实现为准 optimizer tf.train.AdamOptimizer(learning_rate1e-4) # 优化器与学习率 loss tf.reduce_mean(tf.square(hr - sr)) # MSE 损失也可换 L1 # 每 N 步记录一次 loss方便观察收敛 if step % 100 0: print(step:, step, loss:, sess.run(loss))逻辑说明Adam 对 SR 这类任务比较友好起步不用太纠结优化器损失函数用 MSE 会让结果偏平滑用 L1 通常边缘更锐但收敛可能慢一点可以两个都试看imgs里的对比图哪个顺眼。记录频率别设太密否则日志刷屏100 步一次够用。参数怎么改epochs 不是越大越好这类教学工程数据量小几十轮就可能过拟合表现为训练 loss 一直降但测试图越来越糊。判断过拟合的土办法是留几张图不参与训练每隔几轮拿它们推理一次肉眼对比。如果测试图质量先升后降就该早停了。3.3 推理与效果验证训练完要验证效果最直接的方式是拿一张低分图跑推理和双三次插值的结果并排看。imgs目录里那些5-3-3.png之类的文件大概率就是这种对比图。你自己验证时建议固定同一张图、同一个放大倍数分别跑插值和模型这样对比才公平。from PIL import Image import numpy as np # 读入低分图转成模型需要的数组格式 lr Image.open(dataset/test_lr.png).convert(RGB) lr_arr np.array(lr) / 255.0 # 归一化到 0-1 # 这里接模型推理得到 sr_arr再还原成 0-255 保存 sr_img Image.fromarray((sr_arr * 255).astype(np.uint8)) sr_img.save(output_sr.png)逻辑说明归一化是为了让输入落在网络训练时的数值范围忘了这步结果会偏色或全黑。保存前要乘回 255 并转uint8否则 PIL 存出来的图会异常。验证时别只看一张图多换几张不同内容的人脸、文字、纹理才能看出模型的泛化边界。4. 避坑与排查这几处最容易翻车4.1 scipy.misc 接口消失导致读图失败现象运行isr_util.py或入口脚本时报AttributeError: module scipy.misc has no attribute imread。 原因新版 scipy 移除了imread/imsave/imresize这些接口而工程是按老版本写的。 解决把 scipy 降到 1.2.1或者把代码里的scipy.misc.imread改成imageio.imread/PIL.Image.open。前者改动小后者更面向未来二选一。4.2 CUDA/cuDNN 版本不匹配GPU 用不上现象tf.test.is_gpu_available()返回False或者训练时报Could not create cudnn handle。 原因TensorFlow 版本和本机 CUDA/cuDNN 版本对不上这是最典型的黑匣子问题。 解决先nvidia-smi看驱动支持的 CUDA 上限再查 TF 官方版本对应表装匹配的 CUDA cuDNN。别同时装多个 CUDA 版本还改 PATH容易互相污染。4.3 数据路径写错模型在拟合空目录现象训练能跑loss 也动但推理结果全是噪声或纯色。 原因数据目录路径写错实际读进来的是空集或少量图模型没学到东西。 解决在数据加载处加一行打印确认读到的图像数量和尺寸。路径尽量用相对工程根目录的写法别用绝对路径换机器就废。4.4 显存不足导致训练中断现象跑几轮后报CUDA out of memory。 原因batch size 或输入图像尺寸超过显存容量。 解决先把 batch size 减半还不行就减小训练图尺寸。别一边开浏览器一堆标签页一边训显存是共享的。4.5 过拟合训练 loss 降但测试图变糊现象训练 loss 持续下降但拿没参与训练的图推理效果反而变差。 原因数据量小、训练轮数过多模型记住了训练集。 解决减少 epochs或加数据增强翻转、裁剪或留验证集做早停。教学工程数据少这个问题很常见别一味加轮数。5. 进阶玩法把这份工程改成你自己的基线跑通只是起点真正有价值的是把它变成你自己的实验基线。我一般会做三件事换数据、换损失、加指标。换数据把dataset换成你的业务图注意低分图怎么生成要统一——是用双三次下采样还是直接拿真实低分图这决定了模型学到的退化模式。如果训练用双三次下采样、推理用真实低分图效果会打折这是很多人忽略的域差异。换损失MSE 偏平滑L1 偏锐利想更接近人眼可以试 MSE 感知损失的组合但这会引入额外网络工程复杂度上升。建议先在isr_train.py里把 MSE 换成 L1跑一轮对比imgs里的效果感受差异再决定要不要上更复杂的方案。加指标报告里只写 PSNR 有点单薄可以补 SSIM。isr_util.py里如果只有 PSNR自己加一个 SSIM 计算不难scikit-image 有现成实现from skimage.metrics import structural_similarity as ssim # 假设 hr 和 sr 都是 0-255 的 uint8 图像 score ssim(hr, sr, multichannelTrue) print(SSIM:, score)逻辑说明multichannelTrue用于彩色图灰度图去掉这个参数。SSIM 越接近 1 越好它比 PSNR 更贴近人眼对结构的感知。把 PSNR 和 SSIM 一起写进报告说服力强不少。最后一个习惯每次改完参数我都会固定用同一组测试图跑一遍把结果图按「参数组合_日期」命名存好。不然改着改着就忘了哪组参数对应哪张图回头写报告全靠回忆特别容易翻车。从那以后我每次调参都强制走一遍这个存档流程希望帮到你。本文还有配套的精品资源点击获取 Python图像超分辨率实战：从环境配置到模型训练避坑指南
简介这份资源面向计算机视觉初学者、课程设计学生及需要完成图像超分辨率实验的开发者提供一套可直接运行的Python项目方案。项目基于TensorFlow框架搭建配合NumPy、scipy.misc与PIL.image完成图像处理并依赖NVIDIA GPU、CUDA与cuDNN加速训练适合作为深度学习入门实践或毕业设计参考。压缩包共45个文件约2.84MB包含4个Python源码文件、1份设计报告Word文档、1个Visual Studio解决方案文件以及24张png与10张jpg示例图片另附README、LICENSE等说明文件覆盖模型定义、训练、工具函数与主程序等模块。目前已有1331人学习下载。读者可获得完整可复现的超分辨率训练与推理代码、配套设计报告、项目工程配置及示例图像数据便于快速理解网络结构、跑通实验流程并在此基础上二次开发。1. 拿到这份 Python 图像超分辨率源码先别急着双击运行很多人搜「Python 图像超分辨率」的时候手里其实已经有一堆低分辨率素材了——老照片、监控截图、游戏贴图、论文插图想放大又不想糊成马赛克。这份基于Python的图像超分辨率Image Super Resolution.zip就是冲着这个场景来的它是一套完整的课程设计级工程包含isr_main.py、isr_model.py、isr_train.py、isr_util.py四个核心脚本外加dataset数据集目录、imgs效果对比图1.png 到 5-5-4.png 共二十多张和一份设计报告.docx。技术栈是 TensorFlow NumPy scipy.misc PIL.image训练侧依赖 NVIDIA GPU、CUDA 和 cuDNN工程文件是 Visual Studio 2017 的.sln解决方案。它适合谁一是做课程设计、需要一份能跑通、能改、能写进报告的学生二是想拿一个轻量 SR 工程当练手基线后面自己换数据、换网络结构的工程师。不适合指望开箱即用、一键把 480P 变 4K 的人——这是教学级实现不是商业超分工具。下面按「先看懂结构 → 再跑通训练 → 再避坑 → 最后进阶」的顺序拆。2. 工程结构与数据流四个脚本各管什么2.1 从 .sln 到 Python 入口的调用链这份工程最容易被忽略的一点它不是一个纯命令行项目而是挂在 Visual Studio 2017 的 AI 工具链下的 Python 应用程序。.sln和.pyproj负责把解释器、工作目录、启动脚本绑定好真正干活的还是那几个.py。所以理解调用链比急着点「运行」更重要。典型的数据流是这样的isr_main.py作为入口负责解析参数、加载数据、调用模型、跑训练或推理isr_model.py定义网络结构卷积层、激活、上采样部分isr_train.py封装训练循环、损失计算、优化器步进isr_util.py放图像读写、缩放、PSNR/SSIM 计算这类工具函数。dataset目录提供训练/测试图像imgs目录里的对比图是报告用的效果展示。文件职责你大概率会改的地方isr_main.py入口、参数解析、流程编排数据路径、batch size、epochisr_model.py网络结构定义层数、通道数、上采样倍数isr_train.py训练循环与损失学习率、损失函数、优化器isr_util.py图像处理与指标缩放方式、PSNR 计算dataset/训练与测试图像换成自己的数据imgs/效果对比图报告配图提示先别改代码先把isr_main.py从头到尾读一遍确认它默认读的是哪个目录、输出写到哪里。很多「跑不起来」其实是路径没对上不是代码有问题。2.2 环境配置TensorFlow 版本是第一个分水岭摘要里写得很清楚这套工程依赖 TensorFlow、NumPy、scipy.misc、PIL.image训练还要 NVIDIA GPU CUDA cuDNN。这里有个血泪经验scipy.misc里的imread/imsave在新版 scipy 里已经被移除如果你直接pip install scipy装最新版isr_util.py大概率第一行就报AttributeError。所以环境不能无脑装最新。常见做法是锁一个老版本组合。下面这套是我一般会用的基线具体版本号以你机器上 CUDA 能支持的为准# 建议用 conda 建独立环境避免污染系统 Python conda create -n isr python3.6 conda activate isr # TensorFlow 选与 CUDA/cuDNN 匹配的版本GPU 版才有加速意义 pip install tensorflow-gpu1.15.0 # 关键scipy 锁在 1.2.x保住 scipy.misc.imread / imsave pip install scipy1.2.1 # 图像与数值基础库 pip install numpy1.16.4 pillow6.2.1逻辑说明Python 3.6 是 TF 1.15 官方支持较稳的版本tensorflow-gpu1.15.0对应 CUDA 10.0 cuDNN 7.4 这一档装之前先用nvidia-smi看驱动支持的最高 CUDA 版本。scipy1.2.1是保住scipy.misc图像接口的关键这一步不做后面全是玄学报错。pillow负责PIL.image那条路径版本别太新否则和旧 scipy 的接口容易打架。参数怎么改如果你没有 NVIDIA GPU把tensorflow-gpu换成tensorflow1.15.0CPU 版代码能跑但训练会慢到怀疑人生建议只做推理验证。CUDA 和 cuDNN 的安装不在 pip 里要去 NVIDIA 官方渠道按 TF 版本对应表装装完用一段小脚本验证import tensorflow as tf # 打印 TF 版本和是否识别到 GPU print(TF:, tf.__version__) print(GPU:, tf.test.is_gpu_available())如果第二行输出False别急着改代码先查 CUDA/cuDNN 版本是否和 TF 对得上这是最常见的翻车点。2.3 数据准备与训练启动dataset目录是工程的默认数据源。你要做的第一件事是确认里面的图像格式和数量然后决定是直接用还是换成自己的数据。换成自己的数据时注意两点一是训练图像和测试图像要分开放别混在一起二是图像尺寸尽量统一或者确认isr_util.py里的缩放逻辑能处理你的尺寸。启动训练一般走isr_main.py常见做法是给它传参或直接改脚本顶部的配置。下面是一个典型的启动方式# 激活环境后在工程根目录运行入口脚本 python isr_main.py \ --dataset ./dataset \ --epochs 100 \ --batch_size 16 \ --lr 0.0001逻辑说明--dataset指向数据目录--epochs控制训练轮数--batch_size受显存限制--lr是学习率。参数名以你实际脚本里的argparse定义为准如果脚本没做参数化就直接改isr_main.py里的变量。batch size 怎么定先用 8 试显存没爆再往上加爆了就是CUDA out of memory降一半再来。学习率 1e-4 是这类 SR 任务的常见起点loss 不降就降到 1e-5。训练过程中重点看两个信号loss 是否稳定下降以及imgs目录或输出目录里有没有生成对比图。如果 loss 震荡得厉害先降学习率如果 loss 不动检查数据有没有正常读进来——很多时候是路径写错读了个空目录模型在拟合空气。3. 模型与训练细节超分到底在学什么3.1 从低分到高分的映射逻辑图像超分辨率的本质是学一个从低分辨率图像到高分辨率图像的映射函数。这份工程用的是深度学习路线网络吃进低分图吐出一张高分图然后拿它和真实高分图算损失反向传播更新权重。isr_model.py里的网络结构决定了这个映射的表达能力isr_train.py里的损失函数决定了它往哪个方向优化。常见做法是先用双三次插值把低分图放大到目标尺寸再送进网络做细节修复这样网络只需要学「补细节」而不是「从零造像素」训练更稳。你可以在isr_util.py里找到缩放相关的函数确认它用的是哪种插值方式。如果报告里要写 PSNR/SSIM也是在这个文件里算指标越高说明重建越接近原图但注意 PSNR 高不等于肉眼好看这是两个维度。3.2 训练循环里真正要盯的参数isr_train.py是训练的核心。除了学习率和 batch size还有几个参数值得你动手调一调看看效果差异# 伪代码示意具体以 isr_train.py 实际实现为准 optimizer tf.train.AdamOptimizer(learning_rate1e-4) # 优化器与学习率 loss tf.reduce_mean(tf.square(hr - sr)) # MSE 损失也可换 L1 # 每 N 步记录一次 loss方便观察收敛 if step % 100 0: print(step:, step, loss:, sess.run(loss))逻辑说明Adam 对 SR 这类任务比较友好起步不用太纠结优化器损失函数用 MSE 会让结果偏平滑用 L1 通常边缘更锐但收敛可能慢一点可以两个都试看imgs里的对比图哪个顺眼。记录频率别设太密否则日志刷屏100 步一次够用。参数怎么改epochs 不是越大越好这类教学工程数据量小几十轮就可能过拟合表现为训练 loss 一直降但测试图越来越糊。判断过拟合的土办法是留几张图不参与训练每隔几轮拿它们推理一次肉眼对比。如果测试图质量先升后降就该早停了。3.3 推理与效果验证训练完要验证效果最直接的方式是拿一张低分图跑推理和双三次插值的结果并排看。imgs目录里那些5-3-3.png之类的文件大概率就是这种对比图。你自己验证时建议固定同一张图、同一个放大倍数分别跑插值和模型这样对比才公平。from PIL import Image import numpy as np # 读入低分图转成模型需要的数组格式 lr Image.open(dataset/test_lr.png).convert(RGB) lr_arr np.array(lr) / 255.0 # 归一化到 0-1 # 这里接模型推理得到 sr_arr再还原成 0-255 保存 sr_img Image.fromarray((sr_arr * 255).astype(np.uint8)) sr_img.save(output_sr.png)逻辑说明归一化是为了让输入落在网络训练时的数值范围忘了这步结果会偏色或全黑。保存前要乘回 255 并转uint8否则 PIL 存出来的图会异常。验证时别只看一张图多换几张不同内容的人脸、文字、纹理才能看出模型的泛化边界。4. 避坑与排查这几处最容易翻车4.1 scipy.misc 接口消失导致读图失败现象运行isr_util.py或入口脚本时报AttributeError: module scipy.misc has no attribute imread。 原因新版 scipy 移除了imread/imsave/imresize这些接口而工程是按老版本写的。 解决把 scipy 降到 1.2.1或者把代码里的scipy.misc.imread改成imageio.imread/PIL.Image.open。前者改动小后者更面向未来二选一。4.2 CUDA/cuDNN 版本不匹配GPU 用不上现象tf.test.is_gpu_available()返回False或者训练时报Could not create cudnn handle。 原因TensorFlow 版本和本机 CUDA/cuDNN 版本对不上这是最典型的黑匣子问题。 解决先nvidia-smi看驱动支持的 CUDA 上限再查 TF 官方版本对应表装匹配的 CUDA cuDNN。别同时装多个 CUDA 版本还改 PATH容易互相污染。4.3 数据路径写错模型在拟合空目录现象训练能跑loss 也动但推理结果全是噪声或纯色。 原因数据目录路径写错实际读进来的是空集或少量图模型没学到东西。 解决在数据加载处加一行打印确认读到的图像数量和尺寸。路径尽量用相对工程根目录的写法别用绝对路径换机器就废。4.4 显存不足导致训练中断现象跑几轮后报CUDA out of memory。 原因batch size 或输入图像尺寸超过显存容量。 解决先把 batch size 减半还不行就减小训练图尺寸。别一边开浏览器一堆标签页一边训显存是共享的。4.5 过拟合训练 loss 降但测试图变糊现象训练 loss 持续下降但拿没参与训练的图推理效果反而变差。 原因数据量小、训练轮数过多模型记住了训练集。 解决减少 epochs或加数据增强翻转、裁剪或留验证集做早停。教学工程数据少这个问题很常见别一味加轮数。5. 进阶玩法把这份工程改成你自己的基线跑通只是起点真正有价值的是把它变成你自己的实验基线。我一般会做三件事换数据、换损失、加指标。换数据把dataset换成你的业务图注意低分图怎么生成要统一——是用双三次下采样还是直接拿真实低分图这决定了模型学到的退化模式。如果训练用双三次下采样、推理用真实低分图效果会打折这是很多人忽略的域差异。换损失MSE 偏平滑L1 偏锐利想更接近人眼可以试 MSE 感知损失的组合但这会引入额外网络工程复杂度上升。建议先在isr_train.py里把 MSE 换成 L1跑一轮对比imgs里的效果感受差异再决定要不要上更复杂的方案。加指标报告里只写 PSNR 有点单薄可以补 SSIM。isr_util.py里如果只有 PSNR自己加一个 SSIM 计算不难scikit-image 有现成实现from skimage.metrics import structural_similarity as ssim # 假设 hr 和 sr 都是 0-255 的 uint8 图像 score ssim(hr, sr, multichannelTrue) print(SSIM:, score)逻辑说明multichannelTrue用于彩色图灰度图去掉这个参数。SSIM 越接近 1 越好它比 PSNR 更贴近人眼对结构的感知。把 PSNR 和 SSIM 一起写进报告说服力强不少。最后一个习惯每次改完参数我都会固定用同一组测试图跑一遍把结果图按「参数组合_日期」命名存好。不然改着改着就忘了哪组参数对应哪张图回头写报告全靠回忆特别容易翻车。从那以后我每次调参都强制走一遍这个存档流程希望帮到你。本文还有配套的精品资源点击获取