作品简介

基于C#winform部署ESPCN的onnx模型实现超分辨率图片无损放大模糊图片变清晰

基于 ESPCN 深度学习模型的图像超分辨率放大工具

效果展示

📖 项目简介

这是一个基于 ESPCN（Efficient Sub-Pixel Convolutional Neural Network） 深度学习模型的图像超分辨率处理工具。该工具使用 C# WinForms 开发，通过 ONNX Runtime 进行模型推理，能够将低分辨率图像放大 2 倍、3 倍或 4 倍，同时保持图像细节清晰。

✨ 主要特性

• 🎯 多种放大倍数 ：支持 2x、3x、4x 超分辨率放大
• 🚀 硬件加速 ：支持 CPU 和 CUDA GPU 两种推理模式
• 🎨 YCbCr 颜色空间处理 ：仅对亮度通道进行超分，保持色彩自然
• 💻 现代化界面 ：采用 Material Design 扁平化设计风格
• ⚡ 实时性能显示 ：显示推理耗时，方便性能评估
• 🔧 易于部署 ：C# winform开发，独立可执行文件

🧠 算法原理

ESPCN 模型架构

ESPCN（Efficient Sub-PixelConvolutional Neural Network）是一种高效的亚像素卷积神经网络，由 Shi Wenzhe 等人在 2016 年提出。

网络结构

输入图像 (H×W×1)
    ↓
特征提取层
├─ Conv2D (5×5, 64 滤波器) + Tanh
├─ Conv2D (3×3, 32 滤波器) + Tanh
    ↓
亚像素卷积层
├─ Conv2D (3×3, r²×C 滤波器)
├─ PixelShuffle (放大倍数 r)
    ↓
输出图像 (rH×rW×C)

核心技术

1. 特征映射（Feature Mapping）

• 第一层：5×5 卷积核，64 个滤波器，提取浅层特征
• 第二层：3×3 卷积核，32 个滤波器，进一步提取深层特征
• 激活函数：Tanh，增强非线性表达能力

2. 亚像素卷积（Sub-Pixel Convolution）

• 使用 3×3 卷积生成 r²×C 个通道（r 为放大倍数，C 为输出通道数）
• 通过 PixelShuffle 操作将通道重组为空间分辨率
• 避免传统插值方法的模糊问题

3. YCbCr 颜色空间处理

• 将 BGR 图像转换为 YCbCr 颜色空间
• 仅对 Y 通道（亮度）进行超分辨率处理
• Cb、Cr 通道使用双三次插值放大
• 最后转换回 BGR 空间
• 优势：减少计算量，保持色彩自然过渡

数学公式

亚像素卷积的核心操作——PixelShuffle：

PS(x)_{i,j,c} = x_{⌊i/r⌋, ⌊j/r⌋, c·r² + r·(i mod r) + (j mod r)}

其中：

• x 是输入张量
• r 是放大倍数
• i, j 是输出空间坐标
• c 是通道索引

推理流程

💻 环境要求

开发环境

组件版本要求说明操作系统Windows 10/11 (64 位)必须为 64 位系统IDEVisual Studio 2019 Community/Professional/Enterprise需包含".NET 桌面开发"工作负载.NET Framework4.7.2 或以上VS 2019 默认集成C# 语言版本5.0项目已配置MSBuild16.0 或以上VS 2019 自带

运行环境

最低配置

• CPU ：Intel Core i3 或同等处理器
• 内存：4 GB RAM
• 硬盘空间 ：500 MB 可用空间
• 显卡：支持 DirectX 11 的集成显卡

CUDA加速要求（可选）

如需启用 GPU 加速，需要：

组件版本下载地址NVIDIA 显卡驱动≥ 451.48NVIDIA 官网CUDA Toolkit 12.x12.0 或以上NVIDIA CUDAcuDNN9.xNVIDIA cuDNN

注意：项目已内置 CUDA 12.x 运行时 DLL，通常无需单独安装 CUDA Toolkit。

📦 安装步骤

步骤 1：克隆或下载项目

# 如果使用 Git
git clone 
cd FIRC

# 或直接解压下载的 ZIP 文件

步骤 2：准备ONNX模型文件

从 ESPCN-PyTorch 项目获取模型文件：

# 模型文件应位于以下路径
FIRC/
└── bin/
    └── x64/
        └── Release/
            └── weights/
                ├── espcn-x2.onnx    # 2 倍放大模型
                ├── espcn-x3.onnx    # 3 倍放大模型
                └── espcn-x4.onnx    # 4 倍放大模型（默认）

模型获取方式 ：

1. 从 ESPCN-PyTorch-master 项目的预训练模型目录复制
2. 或从项目 releases 页面下载
3. 或自行训练并导出为 ONNX 格式

步骤 3：安装依赖包

项目已通过 NuGet 配置自动恢复依赖，如需手动安装：

# 在 Visual Studio 中打开 FIRC.sln
# 右键解决方案 → 管理 NuGet 程序包
# 安装以下包：

# 或使用 Package Manager Console
Install-Package Microsoft.ML.OnnxRuntime.Gpu -Version 1.20.1
Install-Package OpenCvSharp4 -Version 4.10.0.20241024
Install-Package OpenCvSharp4.Extensions -Version 4.10.0.20241024

步骤 4：编译项目

方法一：Visual Studio 图形界面

1. 双击打开 FIRC.sln 解决方案文件
2. 顶部菜单栏选择： 生成 → 重新生成解决方案
3. 等待编译完成，输出窗口应显示"成功 1 个"

方法二：命令行编译

# 打开"Developer Command Prompt for VS 2019"
cd C:\Users\Administrator\Downloads\FIRC

# 清理并编译 Release 版本
& "C:\Program Files (x86)\Microsoft Visual Studio\2019\Community\MSBuild\Current\Bin\MSBuild.exe" FIRC.sln /p:Configuration=Release /p:Platform=x64 /t:Rebuild /verbosity:minimal

步骤 5：验证编译结果

编译成功后，检查以下文件是否存在：

bin/x64/Release/
├── FIRC.exe              # 主程序（必需）
├── FIRC.pdb              # 调试符号（可选）
├── Microsoft.ML.OnnxRuntime.dll
├── OpenCvSharp.dll
├── OpenCvSharp.Extensions.dll
└── weights/
    ├── espcn-x2.onnx
    ├── espcn-x3.onnx
    └── espcn-x4.onnx

🚀 运行步骤

首次启动

1. 启动程序

# 方式 1：直接双击
bin\x64\Release\FIRC.exe

# 方式 2：命令行启动
cd bin\x64\Release
.\FIRC.exe

2. 检查界面

• 窗口标题：“ESPCN 图像超分辨率工具 - ONNX Runtime”
• 状态栏应显示：“状态：请加载 ESPCN 模型”（橙色文字）

完整使用流程

1️⃣ 选择模型类型

在界面顶部的下拉框中选择放大倍数：

• ESPCN x2 (2 倍放大) ：适合轻微放大
• ESPCN x3 (3 倍放大) ：适合中等放大
• ESPCN x4 (4 倍放大) ：适合大幅放大（默认）

2️⃣ 加载模型

点击 “🔧 加载模型” 按钮：

• 程序会自动从 weights 文件夹读取对应的 .onnx 文件
• 加载成功后，状态栏变为绿色：“状态：✓ ESPCN 模型已加载 (4 倍) CPU”
• 此时 “⚡ 开始超分辨率” 按钮变为可用

提示：如需启用 CUDA 加速，勾选 “🚀 CUDA 加速” 复选框后再加载模型

3️⃣ 选择图像

点击 “📁 选择图像” 按钮：

• 支持的格式：BMP, JPG, JPEG, TIFF, PNG
• 选择的图像会显示在左侧"原始图像"区域
• 状态栏显示：“状态：图像已加载 - xxx.png”（蓝色文字）

4️⃣ 执行超分辨率

点击 “⚡ 开始超分辨率” 按钮：

• 状态栏变为蓝色：“状态：正在处理…”
• 右下角显示推理耗时，例如：“推理耗时：125.3ms”
• 处理完成后，结果图像显示在右侧"超分结果"区域
• 状态栏变为绿色：“状态：处理完成”

5️⃣ 保存结果

点击 “💾 保存结果” 按钮：

• 选择保存位置和文件格式
• 推荐保存为 PNG 格式以保留最佳质量
• 系统会弹出"保存成功"提示框

使用示例

示例 1：4 倍放大动漫图像

1. 选择模型：ESPCN x4 (4 倍放大)
2. 勾选"🚀 CUDA 加速"（如果有 NVIDIA 显卡）
3. 点击"🔧 加载模型"
4. 点击"📁 选择图像" → 选择 anime_input.png
5. 点击"⚡ 开始超分辨率"
6. 等待处理完成（约 100-200ms）
7. 点击"💾 保存结果" → 保存为 anime_sr_x4.png

示例 2：2 倍放大照片

1. 选择模型：ESPCN x2 (2 倍放大)
2. 取消勾选"🚀 CUDA 加速"（使用 CPU）
3. 点击"🔧 加载模型"
4. 点击"📁 选择图像" → 选择 photo.jpg
5. 点击"⚡ 开始超分辨率"
6. 查看效果并保存为 photo_enhanced.jpg

⚠️ 注意事项

1. 模型文件相关

• ✅ 必须确保 weights 文件夹中包含对应的 .onnx 文件
• ❌ 模型文件不存在时，程序会弹出错误提示
• 🔍 支持的模型命名格式：
• espcn-x2.onnx
• espcn-x3.onnx
• espcn-x4.onnx

2. CUDA 加速相关

• 📌 CUDA 检测 ：首次使用 CUDA 加速时，程序会自动检测 CUDA 环境
• ⚠️ 常见错误 ：
• “CUDA execution provider not available” → 未安装 CUDA Toolkit 或 cuDNN
• “No CUDA-capable GPU is detected” → 显卡不支持 CUDA 或驱动过旧
• 💡 解决方案 ：
• 更新 NVIDIA 显卡驱动到最新版本
• 安装 CUDA Toolkit 12.x 和 cuDNN 9.x
• 或取消勾选"CUDA 加速"使用 CPU 模式

3. 图像处理限制

• 📐 最小图像尺寸 ：建议输入图像不小于 50×50 像素
• 📐 最大图像尺寸 ：受限于系统内存，建议不超过 4000×4000 像素
• 🎨 推荐图像类型 ：
• ✅ 动漫、漫画、插画（ESPCN 对此类图像效果最佳）
• ✅ 文字截图、图标
• ⚠️ 真实照片（效果良好，但可能出现轻微伪影）

4. 性能优化建议

• 🚀 GPU 加速 ：对于 1080P 以上图像，强烈建议使用 CUDA 加速
• CPU 模式：约 500-2000ms（取决于图像大小）
• GPU 模式：约 50-200ms（提升 10 倍以上）
• 💾 内存管理 ：处理大图像时关闭其他占用内存的程序
• 🔄 批量处理 ：当前版本不支持批量处理，可通过多次操作实现

5. 常见问题排查

Q1: 程序启动后闪退

原因：缺少运行时依赖库

解决：确保 bin\x64\Release 目录下有所有必需的 DLL 文件

Q2: 模型加载失败

原因：模型文件损坏或格式不正确

解决：重新下载或导出 ONNX 模型文件

Q3: 推理速度极慢

原因：图像过大或 CPU 负载过高

解决：缩小输入图像尺寸，或启用 CUDA 加速

Q4: 输出图像有噪点

原因：ESPCN 模型对某些纹理的泛化能力有限

解决：尝试使用其他放大倍数，或接受一定程度的质量损失

6. 兼容性说明

• ✅ Windows 10/11 ：完全兼容
• ⚠️ Windows 7/8.1 ：需要安装 .NET Framework 4.7.2，部分功能可能受限
• ❌ macOS/Linux ：不支持（可通过 Wine 或虚拟机运行）

📁 文件夹结构

完整项目结构

FIRC/
│
├── 📄 FIRC.sln                          # Visual Studio 解决方案文件
├── 📄 FIRC.csproj                       # C# 项目配置文件
├── 📄 App.config                        # 应用程序配置文件
├── 📄 Program.cs                        # 程序入口点
│
├── 📄 Form1.cs                          # 主窗体业务逻辑
├── 📄 Form1.Designer.cs                 # 主窗体 UI 设计代码
├── 📄 ESPCNSuperResolver.cs             # ESPCN 超分辨率核心处理器
│
├── 📂 Properties/
│   ├── AssemblyInfo.cs                  # 程序集元数据
│   ├── Resources.Designer.cs            # 资源文件设计器
│   ├── Resources.resx                   # 资源文件
│   ├── Settings.Designer.cs             # 设置设计器
│   └── Settings.settings                # 用户设置
│
├── 📂 ESPCN-PyTorch-master/             # ESPCN PyTorch 源码参考
│   ├── model.py                         # 模型定义
│   ├── inference.py                     # 推理脚本
│   ├── imgproc.py                       # 图像处理工具
│   ├── config.py                        # 配置文件
│   ├── dataset.py                       # 数据集加载
│   ├── train.py                         # 训练脚本
│   ├── utils.py                         # 工具函数
│   ├── requirements.txt                 # Python 依赖
│   └── data/                            # 数据集目录
│   └── results/                         # 预训练模型
│
├── 📂 bin/
│   └── x64/
│       └── Release/
│           ├── FIRC.exe                 # 编译后的可执行文件
│           ├── FIRC.pdb                 # 调试符号
│           ├── *.dll                    # 依赖库（ONNX Runtime, OpenCvSharp 等）
│           ├── cublas64_12.dll          # CUDA BLAS 库
│           ├── cudnn64_9.dll            # CUDA DNN 库
│           ├── onnxruntime.dll          # ONNX Runtime 核心库
│           └── weights/
│               ├── espcn-x2.onnx        # 2 倍放大模型
│               ├── espcn-x3.onnx        # 3 倍放大模型
│               └── espcn-x4.onnx        # 4 倍放大模型
│
├── 📂 images/                           # 示例图像目录
│   ├── 1.png                            # 测试输入图像
│   └── enhanced/
│       └── 1_x2_enhanced.png            # 2 倍超分结果示例
│
├── 📄 README.md                         # 项目说明文档（本文件）
├── 📄 LICENSE                           # 开源许可证
└── 📄 .gitignore                        # Git 忽略规则

核心文件说明

文件名类型作用描述ESPCNSuperResolver.cs核心类ESPCN 模型推理引擎，包含预处理、推理、后处理全流程Form1.cs窗体类主界面业务逻辑，处理用户交互和事件响应Form1.Designer.cs设计器类界面控件布局和初始化代码FIRC.csproj项目文件定义编译配置、依赖引用、目标框架等espcn-x.onnx *模型文件预训练的 ESPCN 超分辨率模型（ONNX 格式）

🛠️ 技术栈

开发语言与框架

• 编程语言 ：C# 5.0
• UI 框架 ：Windows Forms (.NET Framework 4.7.2)
• 图像处理 ：OpenCvSharp 4.x
• AI 推理 ：ONNX Runtime 1.20.1

第三方库

<PackageReference Include="Microsoft.ML.OnnxRuntime.Gpu" Version="1.20.1" />
<PackageReference Include="OpenCvSharp4" Version="4.10.0.20241024" />
<PackageReference Include="OpenCvSharp4.Extensions" Version="4.10.0.20241024" />

内置 CUDA 运行时

项目已打包以下 CUDA 相关 DLL，无需单独安装：

• cublas64_12.dll - CUDA BLAS 线性代数库
• cublasLt64_12.dll - CUDA BLAS Lite 库
• cudart64_12.dll - CUDA 运行时库
• cudnn64_9.dll - CUDA 深度神经网络库
• onnxruntime_providers_cuda.dll - ONNX CUDA 提供程序

📊 性能基准

推理时间对比（单位：毫秒）

图像分辨率ESPCN x2 (CPU)ESPCN x2 (GPU)ESPCN x4 (CPU)ESPCN x4 (GPU)256×256~80ms~15ms~120ms~25ms512×512~250ms~35ms~400ms~60ms1024×1024~900ms~120ms~1500ms~200ms

测试环境：Intel i7-9700K @ 3.6GHz, NVIDIA RTX 2070 Super, 16GB RAM

放大效果对比

方法PSNR↑SSIM↑主观质量双线性插值28.50.82模糊，细节丢失双三次插值29.20.85略有改善，仍有模糊ESPCN x432.80.94清晰，细节丰富

🔗 相关资源

官方文档

• ONNX Runtime 官方文档
• OpenCvSharp 文档
• ESPCN 原论文

参考项目

• ESPCN-PyTorch - PyTorch 实现版本
• BasicSR - 开源图像复原工具箱

学习资源

• 深度学习超分辨率综述
• ONNX 模型部署教程

📝 更新日志

v1.0.0 (2024-01-01)

• ✨ 初始版本发布
• ✅ 实现 ESPCN 2x/3x/4x 超分辨率
• ✅ 支持 CPU 和 CUDA GPU 推理
• ✅ 现代化扁平 UI 设计
• ✅ YCbCr 颜色空间处理
• ✅ 实时性能监控

👨‍💻 开发信息

• 项目名称 ：FIRC - ESPCN 图像超分辨率工具
• 开发环境 ：Visual Studio 2019 + .NET Framework 4.7.2
• 主要技术 ：C# WinForms, ONNX Runtime, OpenCvSharp
• 适用场景 ：动漫图像放大、老照片修复、截图清晰度增强

ttps://github.com/xinntao/BasicSR) - 开源图像复原工具箱

学习资源

• 深度学习超分辨率综述
• ONNX 模型部署教程

📝 更新日志

v1.0.0 (2024-01-01)

• ✨ 初始版本发布
• ✅ 实现 ESPCN 2x/3x/4x 超分辨率
• ✅ 支持 CPU 和 CUDA GPU 推理
• ✅ 现代化扁平 UI 设计
• ✅ YCbCr 颜色空间处理
• ✅ 实时性能监控

👨‍💻 开发信息

• 项目名称 ：FIRC - ESPCN 图像超分辨率工具
• 开发环境 ：Visual Studio 2019 + .NET Framework 4.7.2
• 主要技术 ：C# WinForms, ONNX Runtime, OpenCvSharp
• 适用场景 ：动漫图像放大、老照片修复、截图清晰度增强

创作时间：

基于C#winform部署ESPCN的onnx模型实现超分辨率图片无损放大模糊图片变清晰

效果展示

📖 项目简介

✨ 主要特性

🧠 算法原理

ESPCN 模型架构

网络结构

核心技术

数学公式

推理流程

💻 环境要求

开发环境

运行环境

最低配置

推荐配置

CUDA加速要求（可选）

📦 安装步骤

步骤 1：克隆或下载项目

步骤 2：准备ONNX模型文件

步骤 3：安装依赖包

步骤 4：编译项目

方法一：Visual Studio 图形界面

方法二：命令行编译

步骤 5：验证编译结果

🚀 运行步骤

首次启动

完整使用流程

1️⃣ 选择模型类型

2️⃣ 加载模型

3️⃣ 选择图像

4️⃣ 执行超分辨率

5️⃣ 保存结果

使用示例

示例 1：4 倍放大动漫图像

示例 2：2 倍放大照片

⚠️ 注意事项

1. 模型文件相关

2. CUDA 加速相关

3. 图像处理限制

4. 性能优化建议

5. 常见问题排查

Q1: 程序启动后闪退

Q2: 模型加载失败

Q3: 推理速度极慢

Q4: 输出图像有噪点

6. 兼容性说明

📁 文件夹结构

完整项目结构

核心文件说明

🛠️ 技术栈

开发语言与框架

第三方库

内置 CUDA 运行时

📊 性能基准

推理时间对比（单位：毫秒）

放大效果对比

🔗 相关资源

官方文档

参考项目

学习资源

📝 更新日志

v1.0.0 (2024-01-01)

👨‍💻 开发信息

学习资源

📝 更新日志

v1.0.0 (2024-01-01)

👨‍💻 开发信息