We read every piece of feedback, and take your input very seriously.
To see all available qualifiers, see our documentation.
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
我看了您的train.md文件, 有些疑惑,为什么要先训练 Real-ESRNet 然后 训练 Real-ESRGAN. 其中 Real-ESRGAN中修改判别器为 UNet和SN;优化器改为adam;将原本的L1 loss 增加为 L1loss + vgg19权重为{0.1,0.1,1,1,1}的12345层作为纹理损失 + 加入gan loss。 请问为什么不直接训练 Real-ESRGAN ? 是因为直接训练 Real-ESRGAN 震荡比较厉害难以收敛,所以采用 先训练 Real-ESRNet 一次得到 已经收敛的模型,再训练一次进行参数调整吗
The text was updated successfully, but these errors were encountered:
Sorry, something went wrong.
@xinntao 请问两个阶段的训练iter/epoch分别设置多少呢?算力资源是怎样的?
先训练Real-ESRNet是为了 获得一个gen更好的初始化模型给Real-ESRGAN。 这样能够稳定训练,也使得效果有一定的提升。这是较为普遍的做法 直接训练Real-ESRGAN也是可以的,训练更多时间,也可以达到类似效果。但考虑到稳定性和效果,大家一般都采用先pre-train 一个MSE/L1 loss训练的模型
先训练Real-ESRNet是为了 获得一个gen更好的初始化模型给Real-ESRGAN。 这样能够稳定训练,也使得效果有一定的提升。这是较为普遍的做法
训练好Real-ESRNet后,怎么用这个模型去辅助训练Real-ESRGAN模型?
No branches or pull requests
我看了您的train.md文件,
有些疑惑,为什么要先训练 Real-ESRNet 然后 训练 Real-ESRGAN.
其中 Real-ESRGAN中修改判别器为 UNet和SN;优化器改为adam;将原本的L1 loss 增加为 L1loss + vgg19权重为{0.1,0.1,1,1,1}的12345层作为纹理损失 + 加入gan loss。
请问为什么不直接训练 Real-ESRGAN ?
是因为直接训练 Real-ESRGAN 震荡比较厉害难以收敛,所以采用 先训练 Real-ESRNet 一次得到 已经收敛的模型,再训练一次进行参数调整吗
The text was updated successfully, but these errors were encountered: