超分重建数据集 DIV2K & Flickr2K 下载地址，简单描述

最新推荐文章于 2025-05-16 11:13:51 发布
最新推荐文章于 2025-05-16 11:13:51 发布
阅读量4.2k 收藏 1
点赞数
分类专栏： python 学习 文章标签： 深度学习
原文链接：https://blog.youkuaiyun.com/sinat_28442665/article/details/108142434
版权
图像超分辨率重建数据集看这篇就够了——训练 + 测试 | 【云盘分享】
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
01-27 1万+
其实之前有分享过一些SR数据集下载，与小伙伴交流过程总会发现新的数据集需求，Oh, that was so much fun 本博文针对 Single image super resolution 常用数据集做一个总结归纳 训练数据集 训练数据集主流使用有如下两个：DIV2K & Flickr2K 之前一篇博文已经做过整理，麻烦移步啦，If you need … 超分重建数据集 DIV2K & Flickr2K 下载地址 | 简记 测试数据集 测试数据集，现在全网流传分享的SR测.
DIV2K_train_HR1.zip
08-24
超级分辨率数据集 中的训练集2
超分重建数据集 DIV2K & Flickr2K 下载地址【有效分享】
热门推荐
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
08-21 4万+
超分重建数据集 DIV2K & Flickr2K 下载地址【有效分享】、你也在玩超分重建、打开看看、必有收获
论文复现实战：IDM超分辨率模型环境配置与调试全记录
一个从2025年开始决心好好搞科研的计算机人的博客。
03-22 904
本文详细记录了 CVPR 2023 论文《Implicit Diffusion Models for Continuous Super-Resolution》的代码复现过程。从环境配置（Ubuntu 20.04 + PyTorch 1.12 + CUDA 11.3）到数据集处理（DIV2K），总结了多种典型报错及其解决方案。
最经典盲超分辨率数据集
u011559552的博客
11-01 1625
在单图超分中，非盲超分已经发展得较为成熟了，而盲超分和真实超分仍然有很多问题尚未解决。在我看来，盲超分只是真实超分的一个过渡，由于真实世界中退化多而复杂，现有的方法不可能穷尽所有退化，那么必然会带来一系列问题，因此真实超分的路还很长。
DIV2K数据集下载地址
Viraha_的博客
03-09 3184
#### Training datasets #### The training dataset is downloaded at https://pan.baidu.com/s/1uqdUsVjnwM_6chh3n46CqQ （secret code：auh1）(baiduyun) or https://drive.google.com/file/d/1TNZeV0pkdPlYOJP1TdWvu5uEroH-EmP8/view (google drive) ### Test datasets ##
DIV2K 数据集 SR 下载说明
gitblog_06563的博客
09-20 2053
DIV2K 数据集 SR 下载说明 DIV2K数据集SR 项目地址: https://gitcode.com/Resource-Bundle-Collection/b1039 ...
学习笔记之——SR流程
gwpscut的博客
10-23 1万+
    本博文为本人学习SR流程所写的笔记，笔记有些粗糙~仅供本人自己学习记录   主要参考的材料为（这算是写的比较详细的文档） https://github.com/xinntao/BasicSR 首先是准备dataset。 下载数据集，经典的SR数据集有（BSD200, T91, General100; Set5, Set14, urban100, BSD100, manga109;...
DIV2K数据集官网点击但是不能下载的解决方法
masteryi-0018的博客
10-29 2531
DIV2K数据集下载——解决点击但是不能下载的问题，非百度网盘
DIV2K 数据集：图像超分辨率研究的利器
gitblog_06531的博客
09-20 1933
DIV2K 数据集：图像超分辨率研究的利器 DIV2K数据集SR 项目地址: https://gitcode.com/Resource-Bundle-Collection/b1039 ...
Set5、Set14、Urban100、BSD等最全超分辨率重建数据集下载
02-27
包含了图像超分辨率重建领域绝大部分的数据集并附带各种格式转换程序，允许批量重命名、图像裁剪等，提供了bicubic下采样程序，包括Set5、Set14、Urban100、91-images、BSD100、BSD300、BSD500、DIV2K、Flickr2K、...
DIV2K_valid_HR.zip
08-24
超级分辨率数据集 中的验证集1 1
DIV2K_train_HR3.zip
08-24
超级分辨率数据集 中的训练集4
超分重建 DIV2K 完整数据集云盘链接.txt
10-12
超分重建 DIV2K 2 倍、3倍、4倍、8倍，完整训练和评估数据集，想要快速获取的，可放心下载
DIV2K_train_HR2.zip
08-24
超级分辨率数据集 中的训练集3
DIV2K_train_HR.zip
08-24
超级分辨率数据集 中的训练集1
【图像超分】SR常用数据集的下载、处理、使用、说明、文件结构、参考文献引用（持续更新）
最新发布
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
05-16 100
本文介绍了超分辨率重建领域常用的训练集和测试集，重点描述了DIV2K和DF2K数据集的结构、下载方式及处理流程。DIV2K包含800张训练图像，通常与Flickr2K结合形成DF2K数据集，共3450张图像。处理后的图像块用于训练，文件结构清晰。测试集包括Set5、Set14、BSD100、Urban100和Manga109，提供了下载链接和引用信息。文章还提到不同裁剪方式对指标的影响，建议使用原版benchmark以确保公平比较。
超分重建网络——DASR
CharmsLUO的博客
06-18 4210
为了督促自己认真学习，碧波自己把最近学的东西，写成博客/(ㄒoㄒ)/~~ 想深刻学习这个网络的提出思路，推荐大家看下面这个博主的连接，他比我讲的好，所以我就不过多解释了。 论文解读：https://blog.youkuaiyun.com/weixin_43972154/article/details/119327182 至于学习代码的话，根据作者的操作步骤一步步来就ok了，学习新网络，最重要的是复现代码。 代码连接：https://github.com/The-Learning-And-Vision-Atelier-L
DIV2K数据集官网下载时无法安全下载问题
weixin_48698930的博客
10-08 661
DIV2K数据集官网下载时，无法安全下载问题的解决方案
DIV2K数据集
03-28
<think>好的，我需要处理用户关于DIV2K数据集的查询。首先，用户想要下载和使用说明，特别是用于图像超分辨率任务。根据提供的引用内容，我需要整理相关的信息，确保符合格式要求，比如行内数学表达式用$...$，独立公式用$$...$$，但这里可能涉及不多。引用标记也要正确添加。 首先，检查引用中的信息。引用[2]详细说明了DIV2K的结构：800训练，100验证，高分辨率图像，用于生成低分辨率图像。引用[3]提到数据预处理和脚本生成LR图像。引用[4]提供了使用TensorFlow Datasets下载的代码示例。引用[1]提到Flickr2K，可能不需要，但用户只问DIV2K，所以主要参考引用2、3、4。 接下来需要组织回答结构。用户需要下载链接和使用说明，可能需要分点说明官方来源、通过TFDS下载的步骤、数据预处理流程。然后，生成相关问题。 要注意引用标记的位置，比如在提到数据集结构时引用[2]，处理流程时引用[3]，代码示例时引用[4]。同时，避免使用Markdown，但用户给的示例中代码块用了```python，可能需要保留，但根据系统级指令，用户可见层是否需要调整？可能根据用户的要求，这里需要保持结构清晰，使用中文回答，正确引用。 最后生成相关问题，确保与DIV2K数据集相关，比如数据集结构、处理步骤、模型应用、比较其他数据集等。需要检查是否每个引用都正确对应，比如引用[4]的代码部分是否正确归属。 现在开始组织内容，确保每个部分都有对应的引用，并且信息准确。可能遇到的问题包括下载链接是否需要直接提供，但引用中没有给出具体URL，所以建议用户通过官方渠道或TFDS获取。同时，代码示例需要准确无误，检查引用[4]中的代码是否正确。</think>### DIV2K数据集下载与使用说明 #### 数据集简介 DIV2K数据集是图像超分辨率（SR）研究中的核心数据集，包含**800张训练图像**和**100张验证图像**，均为高分辨率（HR）图像。用户可通过降采样生成低分辨率（LR）图像，用于训练和评估超分辨率算法[^2]。 --- #### 下载方式 1. **官方渠道** - 访问[DIV2K官网](https://data.vision.ee.ethz.ch/cvl/DIV2K/)（需手动搜索）获取原始数据，包含HR图像及对应的双三次降采样LR图像。 - 数据集结构通常分为`DIV2K_train_HR`、`DIV2K_valid_HR`等文件夹。 2. **通过TensorFlow Datasets（推荐）** 使用`tfds`库直接加载数据集，自动完成下载与预处理： ```python import tensorflow_datasets as tfds div2k_builder = tfds.builder("div2k") div2k_builder.download_and_prepare() # 下载并解压 train_ds, valid_ds = div2k_builder.as_dataset(split=["train", "validation"]) ``` 此方法支持直接生成HR-LR配对数据[^4]。 --- #### 数据处理流程 1. **生成低分辨率图像** 使用官方脚本或自定义降采样方法（如双三次插值）从HR图像生成LR图像，例如： $$ \text{LR} = \text{resize}(\text{HR}, \text{scale_factor}=1/4) $$ 这一步需保持与模型训练一致的降采样策略[^3]。 2. **数据增强** 对训练集应用旋转、翻转、噪声注入等操作，提升模型泛化能力。 --- #### 应用示例（超分辨率训练） ```python # 使用TensorFlow加载并预处理数据 def preprocess(sample): hr_img = sample['hr'] lr_img = sample['lr'] # 归一化到[0,1]范围 hr_img = tf.image.convert_image_dtype(hr_img, tf.float32) lr_img = tf.image.convert_image_dtype(lr_img, tf.float32) return lr_img, hr_img train_dataset = train_ds.map(preprocess).batch(16).repeat() ``` ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值