Image-Super-Resolution-via-Iterative-Refinement

用扩散模型逐步细化图像，生成高清细节

这是一个基于扩散概率模型（DDPM）的图像超分辨率非官方实现，源自论文《Image Super-Resolution via Iterative Refinement》。项目用PyTorch复现了SR3模型，通过迭代去噪过程将低分辨率图像逐步细化到高分辨率，解决了传统超分方法生成图像模糊、缺乏细节的问题。核心能力包括：支持条件扩散训练、提供预训练模型权重、包含训练和推理脚本、兼容自定义数据集。项目代码结构清晰，适合研究者复现实验或开发者集成到实际应用中。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 3924

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队Janspiry

所属国家

官网地址

GitHubhttps://github.com/Janspiry/Image-Super-Resolution-via-Iterative-Refinement

定价模式free

价格说明开源项目，基于Apache-2.0许可证，可自由使用和修改，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型ddpm,diffusion-probabilistic,image-generation,pytorch,super-resolution

GitHub 星标★ 3924

30天Star增速

HF 下载量

上线时间2021-07-28 00:00:00

最近更新2026-09-22 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

难度：进阶约 20 分钟部署方式：本地安装 6 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Python 环境（README 未指定版本）
PyTorch（项目为 PyTorch 实现，README 未给出安装命令）
已下载的预训练模型权重文件
可编辑的配置文件 config/sr_sr3.json
建议具备可用 GPU（README 未给出显存要求）

安装与启动步骤

1克隆项目仓库

从 GitHub 拉取项目源码到本地，后续所有命令都在该目录下执行。

git clone https://github.com/Janspiry/Image-Super-Resolution-via-Iterative-Refinement.git
cd Image-Super-Resolution-via-Iterative-Refinement

2准备运行环境

README 未提供安装清单，需自行准备 Python 与 PyTorch 环境及依赖。
3获取预训练权重

README 说明项目提供预训练模型权重，需自行下载并记住存放路径。
4编辑配置文件

按 README 提示，在 JSON 配置中加入预训练模型路径后再运行。
5运行评估验证

用 val 模式和 SR3 配置跑评估，确认模型权重与配置可用。
```
python sr.py -p val -c config/sr_sr3.json
```
6运行推理脚本

README 原写 -c [config file]，此处沿用示例配置文件路径执行超分推理。
```
python infer.py -c config/sr_sr3.json
```

关键配置

配置项	必填	说明	示例
`config/sr_sr3.json`	是	SR3 评估/推理使用的 JSON 配置，需填写预训练模型路径	`config/sr_sr3.json`

如何确认成功

运行 python sr.py -p val -c config/sr_sr3.json 无报错并输出评估结果，即表示配置可用。

常见问题

Q：为什么没有 pip install 依赖安装步骤？

A：README 节选中只给了运行命令，没有 requirements 或安装说明，需要自行按 PyTorch 环境安装依赖，版本未在 README 指定。

Q：只想简单把 64×64 放大到 512×512 怎么办？

A：README 直接推荐官方的 Google Colab 脚本，可在线用预训练模型完成 64→512 的超分，无需本地部署。

Q：运行报错提示找不到模型怎么办？

A：README 要求先编辑 JSON 配置加入预训练模型路径，请确认路径已填写且权重文件已下载到该位置。

Q：可以用自己的数据集训练吗？

A：项目说明支持条件扩散训练并兼容自定义数据集，但 README 节选未列出训练命令，需查看仓库完整说明与配置文件。

注意事项

项目为非官方实现，部分细节（ResNet 块、注意力、γ 编码、后验方差定义）与论文原文不同。
运行前务必先在 config/sr_sr3.json 中补全预训练模型路径，否则无法加载权重。
README 未给出依赖清单、端口、显存等要求，环境需自行调整。
64×64 → 512×512 的超分可直接使用 README 中链接的 Google Colab 脚本。

核心亮点

完整复现SR3，支持条件扩散训练与采样
提供预训练模型，开箱即用
代码模块化，易于扩展和自定义数据集

不足之处

非官方实现，与原始论文细节可能有差异
训练资源消耗大，需多GPU
文档/社区待观察

适用场景

学术研究：复现SR3基线实验
图像增强：老照片或低清图片修复
移动端或云端超分服务原型

替代项目

Real-ESRGAN、SwinIR、BasicSR

项目介绍

Image-Super-Resolution-via-Iterative-Refinement 是图像领域的开源项目，由 Janspiry 开发，2021 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（3,924）位列前 30%，在图像分类的 839 个项目里位列前 6%。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-22。基于Apache-2.0许可证，可自由使用和修改，无付费版本。

它主要面向的使用场景是：学术研究：复现SR3基线实验。同类可对比的替代方案包括 Real-ESRGAN、SwinIR、BasicSR。

上一篇：Paint-by-Example

下一篇：tiny-dream