Table of Contents
Shortcuts

视频超分辨率

概览

  • 预训练权重个数: 25

  • 配置文件个数: 0

  • 论文个数: 6

    • ALGORITHM: 7

RealBasicVSR (CVPR’2022)

任务: 视频超分辨率

RealBasicVSR (CVPR'2022) 
@InProceedings{chan2022investigating,
  author = {Chan, Kelvin C.K. and Zhou, Shangchen and Xu, Xiangyu and Loy, Chen Change},
  title = {RealBasicVSR: Investigating Tradeoffs in Real-World Video Super-Resolution},
  booktitle = {Proceedings of the IEEE conference on computer vision and pattern recognition},
  year = {2022}
}

在 Y 通道上评估。 计算 NRQM、NIQE 和 PI 的代码可以在这里找到。我们使用 MATLAB 官方代码计算 BRISQUE。

算法 NRQM (Y) NIQE (Y) PI (Y) BRISQUE (Y) GPU 信息 Download
realbasicvsr_c64b20_1x30x8_lr5e-5_150k_reds 6.0477 3.7662 3.8593 29.030 8 (Tesla V100-SXM2-32GB) model/log
realbasicvsr_wogan-c64b20-2x30x8_8xb2-lr1e-4-300k_reds - - - - 8 (Tesla V100-SXM2-32GB) model/log

训练

训练分为两个阶段：

  1. 使用 realbasicvsr_wogan-c64b20-2x30x8_8xb2-lr1e-4-300k_reds.py 训练一个没有感知损失和对抗性损失的模型。

  2. 使用感知损失和对抗性损失 realbasicvsr_c64b20-1x30x8_8xb1-lr5e-5-150k_reds.py 微调模型。

注:

  1. 您可能希望将图像裁剪为子图像以加快 IO。请参阅此处了解更多详情。

快速开始

训练

训练说明

您可以使用以下命令来训练模型。

## CPU上训练
CUDA_VISIBLE_DEVICES=-1 python tools/train.py configs/real_basicvsr/realbasicvsr_c64b20-1x30x8_8xb1-lr5e-5-150k_reds.py

## 单个GPU上训练
python tools/train.py configs/real_basicvsr/realbasicvsr_c64b20-1x30x8_8xb1-lr5e-5-150k_reds.py

## 多个GPU上训练
./tools/dist_train.sh configs/real_basicvsr/realbasicvsr_c64b20-1x30x8_8xb1-lr5e-5-150k_reds.py 8

更多细节可以参考 train_test.md 中的 Train a model 部分。

测试

测试说明

您可以使用以下命令来测试模型。

## CPU上测试
CUDA_VISIBLE_DEVICES=-1 python tools/test.py configs/real_basicvsr/realbasicvsr_c64b20-1x30x8_8xb1-lr5e-5-150k_reds.py https://download.openmmlab.com/mmediting/restorers/real_basicvsr/realbasicvsr_c64b20_1x30x8_lr5e-5_150k_reds_20211104-52f77c2c.pth

## 单个GPU上测试
python tools/test.py configs/real_basicvsr/realbasicvsr_c64b20-1x30x8_8xb1-lr5e-5-150k_reds.py https://download.openmmlab.com/mmediting/restorers/real_basicvsr/realbasicvsr_c64b20_1x30x8_lr5e-5_150k_reds_20211104-52f77c2c.pth

## 多个GPU上测试
./tools/dist_test.sh configs/real_basicvsr/realbasicvsr_c64b20-1x30x8_8xb1-lr5e-5-150k_reds.py https://download.openmmlab.com/mmediting/restorers/real_basicvsr/realbasicvsr_c64b20_1x30x8_lr5e-5_150k_reds_20211104-52f77c2c.pth 8

更多细节可以参考 train_test.md 中的 Test a pre-trained model 部分。

BasicVSR++ (CVPR’2022)

任务: 视频超分辨率

BasicVSR++ (CVPR'2022) 
@InProceedings{chan2022basicvsrplusplus,
  author = {Chan, Kelvin C.K. and Zhou, Shangchen and Xu, Xiangyu and Loy, Chen Change},
  title = {BasicVSR++: Improving Video Super-Resolution with Enhanced Propagation and Alignment},
  booktitle = {Proceedings of the IEEE conference on computer vision and pattern recognition},
  year = {2022}
}

SPyNet 的 预训练权重在这里。

算法 REDS4 (BIx4) PSNR/SSIM (RGB) Vimeo-90K-T (BIx4) PSNR/SSIM (Y) Vid4 (BIx4) PSNR/SSIM (Y) UDM10 (BDx4) PSNR/SSIM (Y) Vimeo-90K-T (BDx4) PSNR/SSIM (Y) Vid4 (BDx4) PSNR/SSIM (Y) GPU 信息 Download
basicvsr_plusplus_c64n7_8x1_600k_reds4 32.3855/0.9069 36.4445/0.9411 27.7674/0.8444 34.6868/0.9417 34.0372/0.9244 24.6209/0.7540 8 (Tesla V100-PCIE-32GB) model | log
basicvsr_plusplus_c64n7_4x2_300k_vimeo90k_bi 31.0126/0.8804 37.7864/0.9500 27.7882/0.8401 33.1211/0.9270 33.8972/0.9195 23.6086/0.7033 4 (Tesla V100-PCIE-32GB) model | log
basicvsr_plusplus_c64n7_4x2_300k_vimeo90k_bd 29.2041/0.8528 34.7248/0.9351 26.4377/0.8074 40.7216/0.9722 38.2054/0.9550 29.0400/0.8753 4 (Tesla V100-PCIE-32GB) model | log
NTIRE 2021 模型权重文件

请注意，以下模型是从较小的模型中微调而来的。 这些模型的训练方案将在 MMagic 达到 5k star 时发布。 我们在这里提供预训练的模型。

算法 模型 赛道
basicvsr-pp_c128n25_600k_ntire-vsr model NTIRE 2021 Video Super-Resolution
basicvsr-pp_c128n25_600k_ntire-decompress-track1 model NTIRE 2021 Quality Enhancement of Compressed Video - Track 1
basicvsr-pp_c128n25_600k_ntire-decompress-track2 model NTIRE 2021 Quality Enhancement of Compressed Video - Track 2
basicvsr-pp_c128n25_600k_ntire-decompress-track3 model NTIRE 2021 Quality Enhancement of Compressed Video - Track 3
```

快速开始

训练

训练说明

您可以使用以下命令来训练模型。

## CPU上训练
CUDA_VISIBLE_DEVICES=-1 python tools/train.py configs/basicvsr_pp/basicvsr-pp_c64n7_8xb1-600k_reds4.py

## 单个GPU上训练
python tools/train.py configs/basicvsr_pp/basicvsr-pp_c64n7_8xb1-600k_reds4.py

## 多个GPU上训练
./tools/dist_train.sh configs/basicvsr_pp/basicvsr-pp_c64n7_8xb1-600k_reds4.py 8

更多细节可以参考 train_test.md 中的 Train a model 部分。

测试

测试说明

您可以使用以下命令来测试模型。

## CPU上测试
CUDA_VISIBLE_DEVICES=-1 python tools/test.py configs/basicvsr_pp/basicvsr-pp_c64n7_8xb1-600k_reds4.py https://download.openmmlab.com/mmediting/restorers/basicvsr_plusplus/basicvsr_plusplus_c64n7_8x1_600k_reds4_20210217-db622b2f.pth

## 单个GPU上测试
python tools/test.py configs/basicvsr_pp/basicvsr-pp_c64n7_8xb1-600k_reds4.py https://download.openmmlab.com/mmediting/restorers/basicvsr_plusplus/basicvsr_plusplus_c64n7_8x1_600k_reds4_20210217-db622b2f.pth

## 多个GPU上测试
./tools/dist_test.sh configs/basicvsr_pp/basicvsr-pp_c64n7_8xb1-600k_reds4.py https://download.openmmlab.com/mmediting/restorers/basicvsr_plusplus/basicvsr_plusplus_c64n7_8x1_600k_reds4_20210217-db622b2f.pth 8

更多细节可以参考 train_test.md 中的 Test a pre-trained model 部分。

IconVSR (CVPR’2021)

任务: 视频超分辨率

IconVSR (CVPR'2021) 
@InProceedings{chan2021basicvsr,
  author = {Chan, Kelvin CK and Wang, Xintao and Yu, Ke and Dong, Chao and Loy, Chen Change},
  title = {BasicVSR: The Search for Essential Components in Video Super-Resolution and Beyond},
  booktitle = {Proceedings of the IEEE conference on computer vision and pattern recognition},
  year = {2021}
}

对于 REDS4，我们对 RGB 通道进行评估。对于其他数据集，我们对 Y 通道进行评估。我们使用 PSNR 和 SSIM 作为指标。 IconVSR 组件的预训练权重可以在这里找到：SPyNet，用于 REDS 的 EDVR-M，以及 用于 Vimeo-90K 的 EDVR-M。

算法 REDS4 (BIx4)
PSNR/SSIM (RGB)		 Vimeo-90K-T (BIx4)
PSNR/SSIM (Y)		 Vid4 (BIx4)
PSNR/SSIM (Y)		 UDM10 (BDx4)
PSNR/SSIM (Y)		 Vimeo-90K-T (BDx4)
PSNR/SSIM (Y)		 Vid4 (BDx4)
PSNR/SSIM (Y)		 GPU 信息 下载
iconvsr_reds4 31.6926/0.8951 36.4983/0.9416 27.4809/0.8354 35.3377/0.9471 34.4299/0.9287 25.2110/0.7732 2 (Tesla V100-PCIE-32GB) 模型 | 日志
iconvsr_vimeo90k_bi 30.3452/0.8659 37.3729/0.9467 27.4238/0.8297 34.2595/0.9398 34.5548/0.9295 24.6666/0.7491 2 (Tesla V100-PCIE-32GB) 模型 | 日志
iconvsr_vimeo90k_bd 29.0150/0.8465 34.6780/0.9339 26.3109/0.8028 40.0640/0.9697 37.7573/0.9517 28.2464/0.8612 2 (Tesla V100-PCIE-32GB) 模型 | 日志

快速开始

训练

训练说明

您可以使用以下命令来训练模型。

## CPU上训练
CUDA_VISIBLE_DEVICES=-1 python tools/train.py configs/iconvsr/iconvsr_2xb4_reds4.py

## 单个GPU上训练
python tools/train.py configs/iconvsr/iconvsr_2xb4_reds4.py

## 多个GPU上训练
./tools/dist_train.sh configs/iconvsr/iconvsr_2xb4_reds4.py 8

更多细节可以参考 train_test.md 中的 Train a model 部分。

测试

测试说明

您可以使用以下命令来测试模型。

## CPU上测试
CUDA_VISIBLE_DEVICES=-1 python tools/test.py configs/iconvsr/iconvsr_2xb4_reds4.py https://download.openmmlab.com/mmediting/restorers/iconvsr/iconvsr_reds4_20210413-9e09d621.pth

## 单个GPU上测试
python tools/test.py configs/iconvsr/iconvsr_2xb4_reds4.py https://download.openmmlab.com/mmediting/restorers/iconvsr/iconvsr_reds4_20210413-9e09d621.pth

## 多个GPU上测试
./tools/dist_test.sh configs/iconvsr/iconvsr_2xb4_reds4.py https://download.openmmlab.com/mmediting/restorers/iconvsr/iconvsr_reds4_20210413-9e09d621.pth 8

更多细节可以参考 train_test.md 中的 Test a pre-trained model 部分。

BasicVSR (CVPR’2021)

任务: 视频超分辨率

BasicVSR (CVPR'2021) 
@InProceedings{chan2021basicvsr,
  author = {Chan, Kelvin CK and Wang, Xintao and Yu, Ke and Dong, Chao and Loy, Chen Change},
  title = {BasicVSR: The Search for Essential Components in Video Super-Resolution and Beyond},
  booktitle = {Proceedings of the IEEE conference on computer vision and pattern recognition},
  year = {2021}
}

对于 REDS4，我们对 RGB 通道进行评估。对于其他数据集，我们对 Y 通道进行评估。我们使用 PSNR 和 SSIM 作为指标。 SPyNet 的 预训练权重在这里。

算法 REDS4 (BIx4)
PSNR/SSIM (RGB)		 Vimeo-90K-T (BIx4)
PSNR/SSIM (Y)		 Vid4 (BIx4)
PSNR/SSIM (Y)		 UDM10 (BDx4)
PSNR/SSIM (Y)		 Vimeo-90K-T (BDx4)
PSNR/SSIM (Y)		 Vid4 (BDx4)
PSNR/SSIM (Y)		 GPU 信息 下载
basicvsr_reds4 31.4170/0.8909 36.2848/0.9395 27.2694/0.8318 33.4478/0.9306 34.4700/0.9286 24.4541/0.7455 2 (Tesla V100-PCIE-32GB) 模型 | 日志
basicvsr_vimeo90k_bi 30.3128/0.8660 37.2026/0.9451 27.2755/0.8248 34.5554/0.9434 34.8097/0.9316 25.0517/0.7636 2 (Tesla V100-PCIE-32GB) 模型 | 日志
basicvsr_vimeo90k_bd 29.0376/0.8481 34.6427/0.9335 26.2708/0.8022 39.9953/0.9695 37.5501/0.9499 27.9791/0.8556 2 (Tesla V100-PCIE-32GB) 模型 | 日志

快速开始

训练

训练说明

您可以使用以下命令来训练模型。

## CPU上训练
CUDA_VISIBLE_DEVICES=-1 python tools/train.py configs/basicvsr/basicvsr_2xb4_reds4.py

## 单个GPU上训练
python tools/train.py configs/basicvsr/basicvsr_2xb4_reds4.py

## 多个GPU上训练
./tools/dist_train.sh configs/basicvsr/basicvsr_2xb4_reds4.py 8

更多细节可以参考 train_test.md 中的 Train a model 部分。

测试

测试说明

您可以使用以下命令来测试模型。

## CPU上测试
CUDA_VISIBLE_DEVICES=-1 python tools/test.py configs/basicvsr/basicvsr_2xb4_reds4.py https://download.openmmlab.com/mmediting/restorers/basicvsr/basicvsr_reds4_20120409-0e599677.pth

## 单个GPU上测试
python tools/test.py configs/basicvsr/basicvsr_2xb4_reds4.py https://download.openmmlab.com/mmediting/restorers/basicvsr/basicvsr_reds4_20120409-0e599677.pth

## 多个GPU上测试
./tools/dist_test.sh configs/basicvsr/basicvsr_2xb4_reds4.py https://download.openmmlab.com/mmediting/restorers/basicvsr/basicvsr_reds4_20120409-0e599677.pth 8

更多细节可以参考 train_test.md 中的 Test a pre-trained model 部分。

TDAN (CVPR’2020)

任务: 视频超分辨率

TDAN (CVPR'2020) 
@InProceedings{tian2020tdan,
  title={TDAN: Temporally-Deformable Alignment Network for Video Super-Resolution},
  author={Tian, Yapeng and Zhang, Yulun and Fu, Yun and Xu, Chenliang},
  booktitle = {Proceedings of the IEEE conference on Computer Vision and Pattern Recognition},
  year = {2020}
}

在 RGB 通道上进行评估，在评估之前裁剪每个边界中的8像素。 我们使用 PSNR 和 SSIM 作为指标。

算法 Vid4 (BIx4) SPMCS-30 (BIx4) Vid4 (BDx4) SPMCS-30 (BDx4) GPU 信息 下载
tdan_x4_1xb16-lr1e-4-400k_vimeo90k-bi - - - - 8 (Tesla V100-SXM2-32GB) -
tdan_x4_1xb16-lr1e-4-400k_vimeo90k-bd - - - - 8 (Tesla V100-SXM2-32GB) -
tdan_x4ft_1xb16-lr5e-5-400k_vimeo90k-bi 26.49/0.792 30.42/0.856 25.93/0.772 29.69/0.842 8 (Tesla V100-SXM2-32GB) 模型 | 日志
tdan_x4ft_1xb16-lr5e-5-800k_vimeo90k-bd 25.80/0.784 29.56/0.851 26.87/0.815 30.77/0.868 8 (Tesla V100-SXM2-32GB) 模型 | 日志

快速开始

训练

训练说明

您可以使用以下命令来训练模型。

TDAN 训练有两个阶段。

阶段 1: 以更大的学习率训练 (1e-4)

## CPU上训练
CUDA_VISIBLE_DEVICES=-1 python tools/train.py configs/tdan/tdan_x4_1xb16-lr1e-4-400k_vimeo90k-bi.py

## 单个GPU上训练
python tools/train.py configs/tdan/tdan_x4_1xb16-lr1e-4-400k_vimeo90k-bi.py

## 多个GPU上训练
./tools/dist_train.sh configs/tdan/tdan_x4_1xb16-lr1e-4-400k_vimeo90k-bi.py 8

阶段 2: 以较小的学习率进行微调 (5e-5)

## CPU上训练
CUDA_VISIBLE_DEVICES=-1 python tools/train.py configs/tdan/tdan_x4ft_1xb16-lr5e-5-400k_vimeo90k-bi.py

## 单个GPU上训练
python tools/train.py configs/tdan/tdan_x4ft_1xb16-lr5e-5-400k_vimeo90k-bi.py

## 多个GPU上训练
./tools/dist_train.sh configs/tdan/tdan_x4ft_1xb16-lr5e-5-400k_vimeo90k-bi.py 8

更多细节可以参考 train_test.md 中的 Train a model 部分。

测试

测试说明

您可以使用以下命令来测试模型。

## CPU上测试
CUDA_VISIBLE_DEVICES=-1 python tools/test.py configs/tdan/tdan_x4ft_1xb16-lr5e-5-400k_vimeo90k-bi.py https://download.openmmlab.com/mmediting/restorers/tdan/tdan_vimeo90k_bix4_20210528-739979d9.pth

## 单个GPU上测试
python tools/test.py configs/tdan/tdan_x4ft_1xb16-lr5e-5-400k_vimeo90k-bi.py https://download.openmmlab.com/mmediting/restorers/tdan/tdan_vimeo90k_bix4_20210528-739979d9.pth

## 多个GPU上测试
./tools/dist_test.sh configs/tdan/tdan_x4ft_1xb16-lr5e-5-400k_vimeo90k-bi.py https://download.openmmlab.com/mmediting/restorers/tdan/tdan_vimeo90k_bix4_20210528-739979d9.pth 8

更多细节可以参考 train_test.md 中的 Test a pre-trained model 部分。

TOFlow (IJCV’2019)

任务: 视频插帧, 视频超分辨率

预训练模型测试结果

在 RGB 通道上评估。 评估指标 PSNR / SSIM。

算法 预训练 SPyNet Vimeo90k-triplet GPU 信息 下载
tof_vfi_spynet_chair_nobn_1xb1_vimeo90k spynet_chairs_final 33.3294 / 0.9465 1 (Tesla PG503-216) 模型 | 日志
tof_vfi_spynet_kitti_nobn_1xb1_vimeo90k spynet_chairs_final 33.3339 / 0.9466 1 (Tesla PG503-216) 模型 | 日志
tof_vfi_spynet_sintel_clean_nobn_1xb1_vimeo90k spynet_chairs_final 33.3170 / 0.9464 1 (Tesla PG503-216) 模型 | 日志
tof_vfi_spynet_sintel_final_nobn_1xb1_vimeo90k spynet_chairs_final 33.3237 / 0.9465 1 (Tesla PG503-216) 模型 | 日志
tof_vfi_spynet_pytoflow_nobn_1xb1_vimeo90k spynet_chairs_final 33.3426 / 0.9467 1 (Tesla PG503-216) 模型 | 日志

注: 由于 batch_size=1 预训练的 SPyNet 不包含 BN 层，这与 https://github.com/Coldog2333/pytoflow 一致.

快速开始

训练

训练说明

您可以使用以下命令来训练模型。

TOF 的训练仅支持视频插帧任务。

## CPU上训练
CUDA_VISIBLE_DEVICES=-1 python tools/train.py configs/tof/tof_spynet-chair-wobn_1xb1_vimeo90k-triplet.py

## 单个GPU上训练
python tools/train.py configs/tof/tof_spynet-chair-wobn_1xb1_vimeo90k-triplet.py

## 多个GPU上训练
./tools/dist_train.sh configs/tof/tof_spynet-chair-wobn_1xb1_vimeo90k-triplet.py 8

更多细节可以参考 train_test.md 中的 Train a model 部分。

测试

测试说明

您可以使用以下命令来测试模型。

TOF 的测试支持视频插帧和视频超分辨率两种任务。

任务 1: 视频插帧

## CPU上测试
CUDA_VISIBLE_DEVICES=-1 python tools/test.py configs/tof/tof_spynet-chair-wobn_1xb1_vimeo90k-triplet.py https://download.openmmlab.com/mmediting/video_interpolators/toflow/pretrained_spynet_chair_20220321-4d82e91b.pth

## 单个GPU上测试
python tools/test.py configs/tof/tof_spynet-chair-wobn_1xb1_vimeo90k-triplet.py https://download.openmmlab.com/mmediting/video_interpolators/toflow/pretrained_spynet_chair_20220321-4d82e91b.pth

## 多个GPU上测试
./tools/dist_test.sh configs/tof/tof_spynet-chair-wobn_1xb1_vimeo90k-triplet.py https://download.openmmlab.com/mmediting/video_interpolators/toflow/pretrained_spynet_chair_20220321-4d82e91b.pth 8

任务 2: 视频超分辨率

## CPU上测试
CUDA_VISIBLE_DEVICES=-1 python tools/test.py configs/tof/tof_x4_official_vimeo90k.py https://download.openmmlab.com/mmediting/restorers/tof/tof_x4_vimeo90k_official-a569ff50.pth

## 单个GPU上测试
python tools/test.py configs/tof/tof_x4_official_vimeo90k.py https://download.openmmlab.com/mmediting/restorers/tof/tof_x4_vimeo90k_official-a569ff50.pth

## 多个GPU上测试
./tools/dist_test.sh configs/tof/tof_x4_official_vimeo90k.py https://download.openmmlab.com/mmediting/restorers/tof/tof_x4_vimeo90k_official-a569ff50.pth 8

更多细节可以参考 train_test.md 中的 Test a pre-trained model 部分。

Citation

@article{xue2019video,
  title={Video enhancement with task-oriented flow},
  author={Xue, Tianfan and Chen, Baian and Wu, Jiajun and Wei, Donglai and Freeman, William T},
  journal={International Journal of Computer Vision},
  volume={127},
  number={8},
  pages={1106--1125},
  year={2019},
  publisher={Springer}
}

EDVR (CVPRW’2019)

任务: 视频超分辨率

EDVR (CVPRW'2019) 
@InProceedings{wang2019edvr,
  author    = {Wang, Xintao and Chan, Kelvin C.K. and Yu, Ke and Dong, Chao and Loy, Chen Change},
  title     = {EDVR: Video restoration with enhanced deformable convolutional networks},
  booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW)},
  month     = {June},
  year      = {2019},
}

在 RGB 通道上进行评估。 我们使用 PSNR 和 SSIM 作为指标。

算法 REDS4 GPU 信息 下载
edvrm_wotsa_x4_8x4_600k_reds 30.3430 / 0.8664 8 模型 | 日志
edvrm_x4_8x4_600k_reds 30.4194 / 0.8684 8 模型 | 日志
edvrl_wotsa_c128b40_8x8_lr2e-4_600k_reds4 31.0010 / 0.8784 8 (Tesla V100-PCIE-32GB) 模型 | 日志
edvrl_c128b40_8x8_lr2e-4_600k_reds4 31.0467 / 0.8793 8 (Tesla V100-PCIE-32GB) 模型 | 日志

快速开始

训练

训练说明

您可以使用以下命令来训练模型。

## CPU上训练
CUDA_VISIBLE_DEVICES=-1 python tools/train.py configs/edvr/edvrm_8xb4-600k_reds.py

## 单个GPU上训练
python tools/train.py configs/edvr/edvrm_8xb4-600k_reds.py

## 多个GPU上训练
./tools/dist_train.sh configs/edvr/edvrm_8xb4-600k_reds.py 8

更多细节可以参考 train_test.md 中的 Train a model 部分。

测试

测试说明

您可以使用以下命令来测试模型。

## CPU上测试
CUDA_VISIBLE_DEVICES=-1 python tools/test.py configs/edvr/edvrm_8xb4-600k_reds.py https://download.openmmlab.com/mmediting/restorers/edvr/edvrm_x4_8x4_600k_reds_20210625-e29b71b5.pth

## 单个GPU上测试
python tools/test.py configs/edvr/edvrm_8xb4-600k_reds.py https://download.openmmlab.com/mmediting/restorers/edvr/edvrm_x4_8x4_600k_reds_20210625-e29b71b5.pth

## 多个GPU上测试
./tools/dist_test.sh configs/edvr/edvrm_8xb4-600k_reds.py https://download.openmmlab.com/mmediting/restorers/edvr/edvrm_x4_8x4_600k_reds_20210625-e29b71b5.pth 8

更多细节可以参考 train_test.md 中的 Test a pre-trained model 部分。

Read the Docs v: latest
Versions
latest
stable
0.x
Downloads
pdf
epub
On Read the Docs
Project Home
Builds
Free document hosting provided by Read the Docs.