关于超分数据库的一个总结

最新推荐文章于 2025-03-05 19:34:54 发布
最新推荐文章于 2025-03-05 19:34:54 发布
阅读量1.1k 收藏 6
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_38376205/article/details/110709054
版权
本文总结了超分辨率技术在数据库领域的应用，探讨了如何利用超分提升数据存储和检索效率，以及在大数据环境下可能面临的挑战和解决方案。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

表格 1

数据集

数量

格式

resolution

Average-pixels

描述

分类

下载链接

补充介绍

DIV2K

1000

png

2K

2,793,250

有1000张图片，其中作为train有800，validation100，test100，这些图片可以downsample为SR算法提供2 3 4 8倍的LR输入

风景，人，动物，植物，建筑，环境，物体等

 

 

Flickr2K

2650

png

1k+乘以2k+

 

图片有2560张，这些图像都比较高清，在有需要的时候，downscale 234倍去作为SR中的输入LR。

人，植物，动物，食物；风景，建筑，物体等；

（按照室内室外分类的这些场景也都有）

链接:https://pan.baidu.com/s/1461-DkdO_uthIBLVpPZqDw  密码:4i7g

室外包含两部分：室外绿植草地树木，还有室外普通场景包括：建筑，街景，风景，车辆（随便拍的等

同样，室内：人，文字，绿植，普通物品

PIRM

400

png

平均617 * 482

292,021

提供的是100张 4倍的LR与HR的pairs，其中HR的size是4-8百的resolution，其余的100张 validation只有LR images。100张test也只有LRimages
最低0.47元/天 解锁文章
【图像超分】论文精读：SRResNet/SRGAN
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】
03-29 7536
尽管使用更快更深的卷积神经网络在单幅图像超分辨率的准确性和速度方面取得了突破，但一个中心问题在很大程度上仍未解决：当我们在大型放大因子上超分辨率时，我们如何恢复更精细的纹理细节。基于优化的超分辨率方法的行为主要是由目标函数的选择驱动的。最近的工作主要集中在最小化均方重建误差上。生成的估计具有较高的峰值信噪比，但它们通常缺乏高频细节，并且在感知上不令人满意，因为它们无法匹配更高分辨率的保真度。在本文中，我们提出了SRGAN，一种用于图像超分辨率(SR)的生成对抗网络(GAN)。据我们所知，这是第一个能够为4×
【图像超分】论文精读：Accelerating the Super-Resolution Convolutional Neural Network（FSRCNN）
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】
03-12 1万+
作为应用于图像超分辨率 (SR) 的成功深度模型，超分辨率卷积神经网络 (SRCNN) [1,2] 在速度和恢复质量方面都比以前的手工制作的模型表现出更好的性能。然而，高计算成本仍然阻碍了它的实际使用，这需要实时性能（24 fps）。在本文中，我们旨在加速当前的 SRCNN，并提出了一种紧凑的沙漏形 CNN 结构，以实现更快和更好的 SR。我们从两个方面重新设计了SRCNN结构。首先，我们在网络末端引入了一个反卷积层，然后将映射直接从原始低分辨率图像（无插值）学习到高分辨率图像。其次，我们通过在映射之前缩小
超分测试数据集-2、3、4、8倍重建
08-08
总共五个超分重建的测试数据集，BSD100、set5、set14、Sun-Hays80、Urban100；大家酌情下载就好，没有积分的话，可以私信我，我发给你们也可以的！
NTIRE2020感知极限超分竞赛PI指标冠军方案
聚焦底层视觉处理，对相关基础AI技术持续学习
06-27 1605
编辑：Happy 首发：AIWalker公众号 链接：NTIRE2020感知极限超分竞赛PI指标冠军方案 日期：2020-06-26 【Happy导语】这是今年CVPR2020中关于图像超分的文章，不同于其他方法在网络架构或者数据增广方面进行改进，该文另辟蹊径从“损失函数”入手，针对已有GAN系列的损失函数展开并未并提出了改进点。所提方法取得了NTIRE2020感知极限超分竞赛LPIPS指标亚军、PI指标冠军。所以Happy非常建议各位图像复原领域的小伙们仔细研究一下这篇文章。另，文末附论文与cod.
深度学习数据集封装-----图像超分（SR）
2301_79445047的博客
03-05 190
在前几篇博客中，我们由浅入深地探讨了传统计算机视觉任务的数据集封装，从简单到复杂逐步展开。今天，我们将目光转向一个相对小众但极具挑战性的计算机视觉任务——图像超分辨率恢复。虽然它属于低级计算机视觉任务，但在代码量和代码难度上并不逊色于其他任务。图像超分辨率恢复的核心目标是从低分辨率图像中恢复出高分辨率图像的细节，这一过程需要对图像的退化模型、特征提取和重建算法有深入的理解。与目标检测等任务不同，超分辨率任务在数据预处理阶段就需要考虑更多细节。
超分数据集概述和超分经典网络模型总结
不要给自己设限，尝试更多可能（思所向 皆可往）
05-31 4834
现有的数据集主要分为两种类型1、只采集HR图像的数据集，如DIV2K，DIV8K等数据集，对于此类数据集可采用不同的退化方式获取相应的LR图像，从而构造匹配的LR-HR训练图像对，以这种方式获得的训练数据集一般被称为合成数据集。2、直接采集同一场景不同分辨率的图像，从而获取LR-HR图像对的数据集，如RealSR，DRealSR等数据集，这类训练数据集一般被称为真实数据集。
超分重建数据集
AI浩
05-01 9340
DIV2K数据集 数据概览 DIV2K 数据集分为： 训练数据：从 800 张高清高分辨率图像开始，我们获得相应的低分辨率图像，并提供 2、3 和 4 缩小因子的高分辨率和低分辨率图像 验证数据：100张高清高分辨率图像用于生成低分辨率对应图像，低分辨率从挑战开始就提供，用于参与者从验证服务器获得在线反馈； 高分辨率图像将在挑战的最后阶段开始时发布。 测试数据：使用100张不同的图像生成低分辨率对应图像； 数据结构 DIV2K 数据集具有以下结构： 1000张2K分辨率图像分为： 800张训练图像，10
超分辨率常用数据集(Set5, Set14, BSD100, BSDS200, BSDS300, BSDS500, 91-images,General-100,
03-18
超分辨率常用数据集,包含数据增强方法和以下数据集：Set5, Set14, BSD100, BSDS200, BSDS300, BSDS500, 91-images,General-100, Manga109, Urban100, historical
超分走进真实数据
春秋战车
07-07 2653
NTIRE 2019 Challenge on Real Image Super-Resolution 随着NTIRE 2019 关于真实数据进行单帧超分的比赛结束，2019 年关于超分有两个关键词，“远近数据对” 和 Raw数据： 1 人们开始通过长远焦或者远近拍摄来构建真实的超分数据，即退化模型不再是通过下采样和上采样来构建数据集或者人为进行模糊。 2 人们不再基于RGB进行单帧超分...
超分辨率重建——冠军队EDVR视频超分网络训练自己数据集与推理测试（详细图文教程）
qq_40280673的博客
08-08 2389
EDVR（Enhanced Deep Video Restoration）是一种用于视频超分辨率重建的深度学习方法，专注于提高视频质量和分辨率。EDVR 旨在解决视频超分辨率中的关键挑战，如复杂的运动估计、多帧信息融合、以及高效地恢复细节等。EDVR 被广泛应用于视频增强、去噪、去模糊、视频超分辨率等任务中。它在保持视频流畅性的同时，能够显著提高视频的清晰度和视觉质量。
超分辨率数据集（待填坑版）
zjn1174962912的博客
07-26 4193
超分辨率
超分辨率重建——（一）何为超分和分类
victor_fa的博客
06-14 4741
图像超分辨重建 图像超分辨率（SR）是计算机视觉中提高图像和视频分辨率的一类重要技术。图像超分辨率重建( Super-resolution Reconstruction，SR) 是由一张或多张低分辨率图像得到高分辨率图像的过程． 存在问题： 传统图像 SR 算法包括基于重构和基于样例学习的方法，这些方法普遍难以恢复高频细节信息，导致重建图像模糊且计算复杂、实时性不高等问题，不适用于大放大因子( 如 × 4、× 8) 的要求． 为解决这些问题，近年来人们将深度学习用于图像 SR 中． 如今，基于深度学习
超分辨图像重建数据集(Set5,Set14,BSD100,URBAN100,MANGA109,DIV2K)共204M
07-09
超分辨图像重建数据集：包括训练集，训练集DIV2K有7G(提供下载地址)，5个测试集Set5，Set14，BSD100，URBAN100，MANGA109
SRCNN图像超分CNN
01-23
CNN用于图像超分辨率的开山之作，代码是基于Caffe写的，可方便用在图像超分应用中
图像超分辨
02-12
详细具体的介绍了图像超分辨的最新技术方法，对于初学图像超分辨的人来说是不错的选择。
【图像超分】论文精读：efficient sub-pixel convolutional neural network (ESPCN)
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】
03-13 1万+
最近，基于深度神经网络的几个模型在单幅图像超分辨率的重构精度和计算性能方面都取得了巨大的成功。在这些方法中，低分辨率 (LR) 输入图像在重建之前使用单个滤波器（通常是双三次插值）放大到高分辨率 (HR) 空间。这意味着超分辨率 (SR) 操作是在 HR 空间中执行的。我们证明了这是次优的，并增加了计算复杂度。在本文中，我们提出了第一个卷积神经网络 (CNN)，能够在单个 K2 GPU 上实时 SR 1080p 视频。为了实现这一点，我们提出了一种新颖的 CNN 架构，其中特征图是在 LR 空间中提取的。此
超分数据集处理_0714
SZ170110231的博客
07-14 367
source_folder = r’D:\DownKyi-1.5.9\Media\央视纪录片《美丽中国》全集1080P超清画质-四六级英语听力及写作素材(双语)\舌尖1_1_美丽中国_越南风貌\舌尖_1_1_test\360’ # 原始文件夹路径target_folder = r’D:\DownKyi-1.5.9\Media\央视纪录片《美丽中国》全集1080P超清画质-四六级英语听力及写作素材(双语)\舌尖1_1_美丽中国_越南风貌\舌尖_1_1_test\360’ # 目标文件夹路径。
图像超分综述:超长文一网打尽图像超分的前世今生 (附核心代码)
热门推荐
书山有路，学海无涯！
06-24 2万+
图像超分的目的是提高图像的分辨率，同时丰富图像的纹理细节。本文总结整理在图像超分领域经典算法的创新点以及意义，同时指出当下图像超分的困境和未来，欢迎大家前来阅读收藏。本文全部观点受个人能力水平限制如有偏差还请指正。...
Youku-VESR Dataset 优酷视频增强和超分数据集 | 比赛数据集 |
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
01-19 1256
Youku-VESR Dataset 优酷视频增强和超分数据集 介绍 赛题链接 Youku-VESR Dataset 优酷视频增强和超分数据集下载方式总结如下： 下载链接： https://tianchi.aliyun.com/dataset/dataDetail?dataId=39568 下载界面： data_list_20191010.csv 文件内容如下： 都是国内链接，下载速度还是 刚刚的； ...
basicSR的数据集
最新发布
03-18
### BasicSR 数据集下载与使用 BasicSR 是一个用于图像超分辨率（Super Resolution, SR）任务的开源框架，其支持多种数据集格式。为了实现高效训练，通常推荐使用 LMDB 格式的数据库来存储大规模数据集[^3]。 #### DIV2K 数据集 DIV2K 是一种广泛应用于图像超分辨率研究的标准数据集。它提供了高质量的 2K 分辨率图像集合，适合于各种超分模型的训练和测试需求。可以通过以下链接获取 DIV2K 数据集的相关资源： - **DIV2K 数据集官方页面**: 提供了完整的高分辨率图像以及对应的低分辨率版本[^2]。 对于 BasicSR 的具体应用，可以参考如下操作流程： 1. **下载原始数据集**: 访问 [DIV2K 官方网站](https://data.vision.ee.ethz.ch/cvl/DIV2K/) 并按照指引完成注册后即可获得数据集的下载权限。此外，在国内镜像站点上也可以找到便捷的下载方式，例如 GitCode 上托管的资源。 2. **转换为 LMDB 格式**: 原始图片文件可能较大且不易管理，因此建议将其转化为轻量级键值存储形式——LMDB 文件。这一过程可通过脚本自动化处理，详情可查阅 lmdb 制作教程文档。 以下是将普通图像目录转存至 LMDB 库的一个 Python 脚本实例： ```python import os import cv2 import lmdb from tqdm import tqdm def create_lmdb(image_folder, output_path, name_size=8): env = lmdb.open(output_path, map_size=int(1e12)) with env.begin(write=True) as txn: files = sorted(os.listdir(image_folder)) for idx, file_name in enumerate(tqdm(files)): key = f'{idx:0{name_size}d}'.encode('ascii') img_path = os.path.join(image_folder, file_name) image = cv2.imread(img_path, cv2.IMREAD_UNCHANGED) _, buffer = cv2.imencode('.png', image) data = buffer.tobytes() txn.put(key, data) create_lmdb('/path/to/images/', '/output/lmdb/path/') ``` 此代码片段展示了如何利用 OpenCV 和 Py-LMDB 将一组 PNG 图片编码并保存到单一 LMDB 数据库中去。 #### 总结 通过上述步骤可以获得适配 BasicSR 工具链使用的优化型输入源材料。值得注意的是，除了 DIV2K 外还有其他可供选择的数据集比如 Flickr2K 等同样适用于此类场景下实验探索活动之中[^1]。
评论 2
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