Image-Super-Resolution-via-Iterative-Refinement

用扩散模型逐步细化图像，生成高清细节

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署图像生成 🍴 复刻 480 🐛 待处理 56 👀 关注 63

GitHub ↗

GitHub 星标 ★ 3921

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，基于Apache-2.0许可证，可自由使用和修改，无付费版本。

项目预览

Image-Super-Resolution-via-Iterative-Refinement 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类图像生成

开发团队Janspiry

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

定价模式🏷️完全免费

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🔧 仅开源项目，无在线服务，需自行部署

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★ 3921

上线时间2021-07-28 00:00:00

代码更新2023-11-04

仓库体积10.0 MB

本站数据更新2026-11-10

维护状态低维护

收录时间2026-08-09

浏览次数5

项目介绍

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。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 3921

技术标签

image-generation pytorch super-resolution

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

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
```