使用 TensorFlow Lite 实现超分辨率

文本特征向量

从低分辨率图像恢复高分辨率图像的任务通常被称为单图像超分辨率 (SISR)。

这里使用的模型是 ESRGAN（ESRGAN：增强超分辨率生成对抗网络）。我们将使用 TensorFlow Lite 对预训练的模型进行推断。

该 TFLite 模型从托管在 TF Hub 上的此实现转换而来。请注意，我们转换的模型会将 50x50 低分辨率图像上采样为 200x200 高分辨率图像（比例因子 = 4）。如果需要不同的输入大小或比例因子，则需要重新转换或重新训练原始模型。

安装

我们先安装所需的库。

pip install matplotlib tensorflow tensorflow-hub

导入依赖项。

import tensorflow as tf
import tensorflow_hub as hub
import matplotlib.pyplot as plt
print(tf.__version__)

下载并转换 ESRGAN 模型

model = hub.load("https://tfhub.dev/captain-pool/esrgan-tf2/1")
concrete_func = model.signatures[tf.saved_model.DEFAULT_SERVING_SIGNATURE_DEF_KEY]

@tf.function(input_signature=[tf.TensorSpec(shape=[1, 50, 50, 3], dtype=tf.float32)])
def f(input):
  return concrete_func(input);

converter = tf.lite.TFLiteConverter.from_concrete_functions([f.get_concrete_function()], model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()

# Save the TF Lite model.
with tf.io.gfile.GFile('ESRGAN.tflite', 'wb') as f:
  f.write(tflite_model)

esrgan_model_path = './ESRGAN.tflite'

下载测试图像（昆虫头部）。

test_img_path = tf.keras.utils.get_file('lr.jpg', 'https://raw.githubusercontent.com/tensorflow/examples/master/lite/examples/super_resolution/android/app/src/main/assets/lr-1.jpg')

使用 TensorFlow Lite 生成超分辨率图像

lr = tf.io.read_file(test_img_path)
lr = tf.image.decode_jpeg(lr)
lr = tf.expand_dims(lr, axis=0)
lr = tf.cast(lr, tf.float32)

# Load TFLite model and allocate tensors.
interpreter = tf.lite.Interpreter(model_path=esrgan_model_path)
interpreter.allocate_tensors()

# Get input and output tensors.
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# Run the model
interpreter.set_tensor(input_details[0]['index'], lr)
interpreter.invoke()

# Extract the output and postprocess it
output_data = interpreter.get_tensor(output_details[0]['index'])
sr = tf.squeeze(output_data, axis=0)
sr = tf.clip_by_value(sr, 0, 255)
sr = tf.round(sr)
sr = tf.cast(sr, tf.uint8)

呈现结果

lr = tf.cast(tf.squeeze(lr, axis=0), tf.uint8)
plt.figure(figsize = (1, 1))
plt.title('LR')
plt.imshow(lr.numpy());

plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)        
plt.title(f'ESRGAN (x4)')
plt.imshow(sr.numpy());

bicubic = tf.image.resize(lr, [200, 200], tf.image.ResizeMethod.BICUBIC)
bicubic = tf.cast(bicubic, tf.uint8)
plt.subplot(1, 2, 2)   
plt.title('Bicubic')
plt.imshow(bicubic.numpy());

性能基准

性能基准数值使用此处所述工具生成。

模型名称	模型大小	设备	CPU	GPU
super resolution (ESRGAN)	4.8 Mb	Pixel 3	586.8ms*	128.6ms
		Pixel 4	385.1ms*	130.3ms

*使用 4 个线程。