Update README

Contributors.md

+# Contributors
+None
\ No newline at end of file

README.md

@@ -6,7 +6,7 @@
 
 生成网络: 采用ESRGAN的生成网络, 对于x4倍的超分辨, 网络完全按照ESRGAN的生成器执行；对x2和x1倍的超分辨, 网络先进行pixel-unshuffle（pixel-shuffl的反操作, pixel-shuffle可理解为通过压缩图像通道而对图像尺寸进行放大）, 以降低图像分辨率为前提, 对图像通道数进行扩充, 然后将处理后的图像输入网络进行超分辨重建。
 <div align=center>
-    <img src="./doc/ESRGAN.png"/>
+    <img src="./doc/ESRGAN.png" width=2000 height=500/>
 </div>
 
 对抗网络: 由于使用的复杂的构建数据集的方式, 所以需要使用更先进的判别器对生成图像进行判别。使用U-Net判别器可以在像素角度, 对单个生成的像素进行真假判断, 这能够在保证生成图像整体真实的情况下, 注重生成图像细节。
@@ -17,14 +17,13 @@
 ## 算法原理
 通过使用更实用的退化过程合成训练对, 扩展强大的ESRGAN以恢复一般的真实世界LR图像。
 <div align=center>
-    <img src="./doc/High-order的pipeline.png"/>
+    <img src="./doc/pipeline.png" width=2000 height=750/>
 </div>
 
 ## 环境配置
 -v 路径、docker_name和imageID根据实际情况修改
 
 ### Docker（方法一）
-
 ```bash
 docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.13.1-centos7.6-dtk-23.04.1-py38-latest
 
@@ -36,7 +35,6 @@ python setup.py develop
 ```
 
 ### Dockerfile（方法二）
-
 ```bash
 cd ./docker
 
@@ -214,12 +212,12 @@ train:
 
 1. 下载预训练模型到 `experiments/pretrained_models` 目录下：
 
-- *RealESRGAN_x4plus.pth*:
+    + *RealESRGAN_x4plus.pth*:
         ```bash
         wget https://github.com/xinntao/Real-ESRGAN/releases/download/v0.1.0/RealESRGAN_x4plus.pth -P experiments/pretrained_models
         ```
 
-- *RealESRGAN_x4plus_netD.pth*:
+    + *RealESRGAN_x4plus_netD.pth*:
         ```bash
         wget https://github.com/xinntao/Real-ESRGAN/releases/download/v0.2.2.3/RealESRGAN_x4plus_netD.pth -P experiments/pretrained_models
         ```
@@ -301,7 +299,7 @@ bash run_train_multi.sh
 ## 推理
 下载预训练模型[RealESRGAN_x4plus.pth](https://github.com/xinntao/Real-ESRGAN/releases/download/v0.1.0/RealESRGAN_x4plus.pth), 将其放入 weights 文件夹下, 测试结果默认保存在results文件夹下。
 
-```bash
+```
 # 下载预训练模型
 wget https://github.com/xinntao/Real-ESRGAN/releases/download/v0.1.0/RealESRGAN_x4plus.pth -P weights
 # 执行推理
@@ -316,7 +314,7 @@ Model: RealESRGAN_x4plus
 </div>
 
 ### 精度
-本项目基于ADE20K公开数据集的val数据进行效果验证，需先要对ADE20K val数据进行推理，得到推理后的结果（默认在results下）.
+本项目基于ADE20K公开数据集的val数据进行效果验证，需先要对ADE20K val数据进行推理，得到推理后的结果（默认在results下）计算 `NIQE` 得分。
 
 ```bash
 # 执行推理