超分重建数据集 DIV2K & Flickr2K 下载地址【有效分享】

已于 2022-01-22 20:22:11 修改
阅读量4.6w 收藏 169
点赞数 75
分类专栏： 数据集整理 文章标签： DIV2K Flickr2K 超分重建数据集 计算机视觉
于 2020-08-21 10:44:48 首次发布
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.csdn.net/sinat_28442665/article/details/108142434
版权

🥇 版权: 本文由【墨理学AI】原创、首发、各位大佬、敬请查阅、感谢三连
🎉 声明: 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️

❤️【专栏：数据集整理】❤️ 之【有效拒绝假数据】

👋 Follow me 👋，一起 Get 更多有趣 AI、冲冲冲 🚀 🚀

超分重建讨论组已就位
欢迎各位超分重建的小伙伴 Get 博主维新：bravePatch，加入 SR 讨论组，添加时备注 超分重建 即可

📕 DIV2K

DIV2K：数据集有1000张高清图(2K分辨率)，其中800张作为训练，100张作为验证，100张作为测试。

  • 如下图
  • 常规的SR训练，我们会需要 下载 X2、X3、X4、X8 以及原始 train 和 Validation 数据即可
    1

数据分布：

9

下载链接：

5-9

更新于 2022 - 1 - 22

最近买了服务、搭建了一个小的云盘、可以用来给各位小伙伴分享少量数据啦

目前仅限于、DIV2K 数据集、官网下载困难的小伙伴、可添加博主好友索要

📗 Flickr2K datasets

Flickr2K：

  • HR: 2650 张 png ，包含人物、动物、风景
  • Flickr2K_LR_bicubic： X2、X3、X4，目前缺少 X8

2

下载链接：

9-5

📗 Flickr2K 云盘下载途径【补充】

如果 Flickr2K datasets http://cv.snu.ac.kr/research/EDSR/Flickr2K.tar，小伙伴下载很慢的话

文末公号、或者搜索关注本博客同名公号，公号后台，回复 20201212 获取专属云盘下载链接哈；

20201212
  • 20G解压之后，可以发现有 一个 4个G Flickr2K_LR_unknown 文件夹是没有用途的，因此我把它删除了；整理数据分包，分享到了云盘；

8-9

  • 感谢您的耐心阅读，倾情支持，祝愿你的代码没有Bug , 学习顺利 ！

博主所有数据集分享获取方式汇总于该码云项目

📙 预祝各位 2022 前途似锦、可摘星辰

  • 🎉 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️
  • ❤️ 如果文章对你有帮助、点赞、评论鼓励博主的每一分认真创作

9-6

深度学习开源数据集整理：超分辨率图像重建
LxtCoder的博客
09-21 1988
其中，超分辨率图像重建是一项关键任务，旨在通过从低分辨率图像中恢复高分辨率细节，提升图像的视觉质量。为了支持学术研究和实际应用，许多开源数据集被整理和发布，为超分辨率图像重建算法的开发和评估提供了宝贵的资源。以上介绍了一些常用的深度学习开源数据集，用于超分辨率图像重建任务。通过使用这些数据集，研究者和开发者可以更好地评估和比较不同的超分辨率算法。本文提供的示例代码可帮助读者开始使用这些数据集进行实验和研究，进一步推动超分辨率图像重建领域的发展。
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
深度学习数据集封装-----图像超分（SR）
2301_79445047的博客
03-05 176
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。
DIV2K 数据集：图像超分辨率研究的利器
gitblog_06531的博客
09-20 1727
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 ...
DIV2K数据集下载地址
Viraha_的博客
03-09 3142
#### 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_valid_HR.zip
08-24
超级分辨率数据集 中的验证集1 1
DIV2K 数据集 SR 下载说明
gitblog_06563的博客
09-20 1821
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 ...
超分重建数据集 DIV2K & Flickr2K 下载地址，简单描述
qq_38376205的博客
10-16 4264
https://blog.csdn.net/sinat_28442665/article/details/108142434 https://blog.csdn.net/sinat_28442665/article/details/108142434
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;...
下载DIV2K数据集出现无法安全下载解决方案
qq_44723108的博客
09-11 1082
右键复制链接 粘贴到浏览器中直接下载。
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
DIV2K_train_HR1.zip
08-24
超级分辨率数据集 中的训练集2
DIV2K_train_HR3.zip
08-24
超级分辨率数据集 中的训练集4
DIV2K_train_HR.zip
08-24
超级分辨率数据集 中的训练集1
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！
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、...
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】
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
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.
超分重建网络——DASR
CharmsLUO的博客
06-18 4171
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.csdn.net/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
Flickr2K
最新发布
03-29
<think>好的，用户需要关于Flickr2K数据集的下载和使用说明，特别是用于图像超分辨率任务。首先，我应该先确认用户的具体需求，可能他们正在寻找如何获取这个数据集，以及如何在他们的项目中使用它。 首先，我需要回忆一下之前整理的引用内容。引用[1]提到Flickr2K包含2650张高分辨率图像，主要用于超分辨率训练和评估。引用[2]解释了超分辨率的基本概念，即从低分辨率图像恢复高分辨率的过程。引用[3]则提供了数据集的下载链接和相关资源的位置，这可能对用户非常有用。 接下来，用户的问题包括下载和使用说明。根据引用[3]，DIV2K和Flickr2K的下载地址已经在之前的资料中整理过，可能需要引导用户到那个链接。但用户可能希望直接得到链接，所以需要检查是否有可用的公开下载途径。通常，这些数据集可能托管在学术网站或云盘上，比如Google Drive或百度网盘。 另外，使用说明方面，用户可能需要知道数据集的目录结构，如何划分训练集和测试集，以及如何预处理数据。例如，Flickr2K通常作为训练集，而DIV2K或其他数据集作为验证或测试。预处理步骤可能包括生成低分辨率图像，通过降采样或添加噪声等方法。 同时，用户可能关心数据集的格式和图像尺寸，是否需要调整大小或转换为特定的格式（如PNG、JPEG）。此外，引用超分辨率模型训练时，常用的方法如SRCNN、ESRGAN等，可能需要特定的数据准备流程，比如将图像切割成小块进行训练。 可能还需要提到相关的工具库，如OpenCV或PIL，用于图像的读取和处理。以及框架如TensorFlow或PyTorch中的数据加载器如何配置使用Flickr2K。 用户可能没有提到的深层需求包括数据增强的方法，或者如何处理数据集中的版权问题，但根据问题范围，可能不需要深入这些方面。另外，需要确保提供的下载链接是可靠和最新的，避免用户遇到死链。 总结下来，回答的结构应该包括下载途径、目录结构、预处理步骤、使用示例和注意事项。需要确保所有信息准确，并正确引用提供的参考资料，特别是在提到数据集用途时引用[1]和[2]，下载信息引用[3]。</think>### Flickr2K数据集下载与使用说明 #### 1. 数据集简介 Flickr2K数据集包含2650张高分辨率图像，主要用于训练和评估超分辨率算法，例如将$32 \times 32$的低分辨率图像重建为$128 \times 128$的高分辨率图像[^1]。其图像分辨率范围在$768 \times 1024$到$2048 \times 2048$之间，覆盖自然场景、人物、建筑等多种主题。 #### 2. 下载途径 通过学术资源平台或公开云盘可获取： - **官方渠道**：访问[NTIRE超分挑战赛官网](https://data.vision.ee.ethz.ch/cvl/ntire21/)查找下载入口 - **云盘资源**：百度网盘或Google Drive链接（示例路径：`pan.baidu.com/s/xxxxxx`）[^3] - **镜像站点**：部分研究机构会提供镜像下载（需注意版权声明） #### 3. 目录结构 解压后典型结构如下： ``` Flickr2K/ ├── HR/             # 高分辨率图像 │   ├── 0001.png │   ├── 0002.jpg │   └── ... └── LR_bicubic/X4/ # 使用双三次下采样4倍的低分辨率图像     ├── 0001x4.png     ├── 0002x4.jpg     └── ... ``` #### 4. 预处理步骤 1. **分辨率标准化**：将图像统一缩放到$512 \times 512$或保持原始尺寸 2. **生成LR图像**：若未提供低分辨率版本，可用以下公式生成： $$ I_{LR} = \text{downsample}(I_{HR}, \text{scale_factor}=4) $$ 推荐使用OpenCV实现： ```python import cv2 lr_img = cv2.resize(hr_img, (w//4, h//4), interpolation=cv2.INTER_CUBIC) ``` 3. **数据增强**：旋转（$90^\circ, 180^\circ, 270^\circ$）、镜像翻转等操作 #### 5. 训练示例（PyTorch） ```python from torch.utils.data import Dataset class Flickr2KDataset(Dataset): def __init__(self, hr_path, lr_path): self.hr_images = [os.path.join(hr_path, f) for f in os.listdir(hr_path)] self.lr_images = [os.path.join(lr_path, f) for f in os.listdir(lr_path)] def __getitem__(self, idx): hr = torch.from_numpy(cv2.imread(self.hr_images[idx])).permute(2,0,1) lr = torch.from_numpy(cv2.imread(self.lr_images[idx])).permute(2,0,1) return lr, hr ``` #### 6. 注意事项 - **内存优化**：建议使用`LMDB`数据库存储图像以避免小文件IO瓶颈 - **验证集划分**：可随机选择5%的数据作为验证集（约132张） - **超参数设置**：建议批量大小（batch size）设为16-32，学习率$1e^{-4}$到$5e^{-4}$
评论 19
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

打赏作者

墨理学AI

不必打赏，关注博主公众号即可

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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