AMD Real-ESRGAN 1024x1024-tiles-amdnpu终极AI图像超分辨率解决方案【免费下载链接】realesrgan-1024x1024-tiles-amdnpu项目地址: https://ai.gitcode.com/hf_mirrors/amd/realesrgan-1024x1024-tiles-amdnpuAMD Real-ESRGAN 1024x1024-tiles-amdnpu是一款基于增强型超分辨率生成对抗网络Real-ESRGAN的AI模型专为AMD AI PC NPU优化能够将低分辨率图像高效放大4倍输出高质量的超分辨率图像。该模型通过量化和优化处理在保持卓越性能的同时显著提升了运行效率是图像增强领域的理想选择。 什么是Real-ESRGANReal-ESRGANReal Enhanced Super-Resolution Generative Adversarial Networks是一种先进的AI图像超分辨率技术它通过深度学习算法分析低分辨率图像的特征然后生成细节丰富的高分辨率版本。与传统方法相比Real-ESRGAN能够更好地恢复图像细节、去除 artifacts并生成更自然的纹理效果。这款AMD优化版本的Real-ESRGAN模型采用了1024x1024的 tile 大小通过图像分块处理技术可以处理几乎任何尺寸的输入图像。推理管道会将输入图像根据ONNX模型的预期输入分辨率带重叠分割成块对每个块运行推理然后将结果拼接在一起。更大的 tile 尺寸可以降低拼接开销并减少边界伪影。 超分辨率效果展示以下是使用AMD Real-ESRGAN模型将320x480的低分辨率老虎图像放大4倍至1280x1920的效果对比输入图像输出图像图使用AMD AI PC NPU运行Real-ESRGAN模型将320x480输入图像放大4倍至1280x1920。来源EDSR Benchmark数据集从对比中可以明显看出输出图像不仅分辨率提升了4倍细节也更加丰富老虎的毛发纹理、背景的植被细节都得到了清晰的恢复。 模型架构解析Real-ESRGAN基于ESRGAN架构发展而来采用了残差-in-残差密集块RRDB作为基本网络构建单元并移除了批量归一化层以提高性能和效率。图带有残差-in-残差密集块RRDB和移除批处理归一化BN层的ESRGAN架构Real-ESRGAN采用与ESRGAN相同的生成器网络但针对不同的缩放因子进行了优化。对于×2和×1的缩放因子它首先采用像素无序操作来减小空间大小并将信息重新排列到通道维度。图Real-ESRGAN架构图 快速开始指南 硬件要求使用此模型需要满足以下硬件要求系列代号缩写发布年份Windows 11LinuxRyzen AI Max PRO 300 SeriesStrix HaloSTX2025☑️Ryzen AI PRO 300 SeriesStrix Point / Krackan PointSTX/KRK2025☑️Ryzen AI Max 300 SeriesStrix HaloSTX2025☑️Ryzen AI 300 SeriesStrix PointSTX2025☑️ 安装步骤首先按照Ryzen AI软件安装说明下载必要的NPU驱动程序和Ryzen AI软件。安装所有必要组件大约需要30分钟。激活Ryzen AI (RAI)软件中预先安装的conda环境并将RAI环境变量设置为安装路径。将v.v.v替换为正确的RAI版本号例如1.7.1。conda activate ryzen-ai-v.v.v $Env:RYZEN_AI_INSTALLATION_PATH C:/Program Files/RyzenAI/v.v.v/克隆Hugging Face模型仓库git clone https://gitcode.com/hf_mirrors/amd/realesrgan-1024x1024-tiles-amdnpu或者您可以使用Hugging Face Hub API通过Python下载所有文件from huggingface_hub import snapshot_download snapshot_download(amd/realesrgan-1024x1024-tiles-amdnpu)将必要的包安装到现有的conda环境中pip install -r requirements.txt️ 运行推理运行单张图像或图像文件夹的推理。例如对于一张图像运行python onnx_inference.py --onnx onnx-models/realesrgan_nchw_1024x1024_u8s8.onnx --input .\datasets\edsr_benchmark\B100\HR\108005.png --out-dir outputs --device npu参数说明--onnx: ONNX模型文件路径。--input: 接受单个图像文件路径或目录路径。如果是文件脚本将仅处理该图像。如果是目录脚本将递归扫描.png、.jpg和.jpeg文件并处理所有文件。--out-dir: 保存恢复图像的输出目录。--device: 接受npu或cpu。NPU将尝试使用VitisAIExecutionProviderCPU将尝试使用CPUExecutionProvider。请注意要使用NPU必须先安装更新的NPU驱动程序和Ryzen AI软件。模型已在modelcachekey_realesrgan_nchw_1024x1024_u8s8下编译和缓存但如果此文件夹不存在模型将被重新编译然后可以运行推理。 模型性能评估AMD ONNX模型结果使用DIV2K和EDSRB100、Urban100、Set14、Set5数据集对峰值信噪比PSNR、多尺度结构相似性MS-SSIM和Fréchet Inception距离FID进行了评估。图在几个代表性真实世界样本上的定性比较上采样比例因子为4。Real-ESRGAN在去除伪影和恢复纹理细节方面优于以前的方法。以下是Strix机器NPU上6个超分辨率模型的性能结果模型Strix上的FPS (越高越好)amd/sesr-m7-256x256-tiles-amdnpu32.22amd/sesr-m7-512x512-tiles-amdnpu23.56amd/realesrgan-128x128-tiles-amdnpu14.65amd/realesrgan-256x256-tiles-amdnpu4.21amd/realesrgan-512x512-tiles-amdnpu0.55amd/realesrgan-1024x1024-tiles-amdnpu0.05 总结AMD Real-ESRGAN 1024x1024-tiles-amdnpu是一款功能强大的AI图像超分辨率解决方案专为AMD AI PC NPU优化。它能够将低分辨率图像高效放大4倍同时保持出色的图像质量。无论是处理单张图像还是批量处理该模型都能提供专业级的超分辨率效果是摄影爱好者、设计师和内容创作者的理想工具。通过简单的安装步骤和直观的命令行接口任何人都可以轻松使用这款先进的AI超分辨率工具将普通图像转换为高分辨率作品。 引用详情InProceedings{wang2021realesrgan, author {Xintao Wang and Liangbin Xie and Chao Dong and Ying Shan}, title {Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data}, booktitle {International Conference on Computer Vision Workshops (ICCVW)}, date {2021} }【免费下载链接】realesrgan-1024x1024-tiles-amdnpu项目地址: https://ai.gitcode.com/hf_mirrors/amd/realesrgan-1024x1024-tiles-amdnpu创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考