点击上方“AIWalker”,选择加“星标”
精品干货,瞬时送达
图像/视频超分领域近期并无突破性的方法出现,故近期计划将图像/视频超分相关方法进行一次综述性汇总。计划从不同点出发对图像/视频超分进行一次“反思”之旅。本文是该旅程的第一站:图像降质过程。
尽管图像超分和视频超分在方法上或多或少会有一些关键性的区别,但是两者在训练数据对的制作方面其实并无非常大的区别。所以本文主要以图像超分为例进行介绍。
说到图像超分,大家可能会很自然的想到这样几个数据集:DIV2K,Set5,Set14等等。确实,这些数据集都是图像超分领域最常见的数据集。我们先来简单汇总一下图像/视频超分领域有哪些公开数据集。
Name | Phase |
---|---|
Set5 | test |
Set14 | test |
B100 | test |
Menga109 | test |
Urban100 | test |
General100 | test |
L20 | test |
DIV2K | train/val |
DIV8K | train/val |
Flickr2K | train |
DF2K(DIV2K+Flickr2K) | train |
City100 | train/val |
DRealSR | train/val |
RealSR(V1, V2, V3) | train/val |
Aogra(声网) | train |
Vid4 | test |
SPMCs | test |
UDM10 | test |
MM522 | train |
REDS | train/val |
Vimeo | train/val |
Youku | train |
注:上面所列出的仅是图像/视频超分的常用数据集以及部分竞赛数据集,除此之外还有一些Real-World数据集。其中DIV2K当属图像超分领域应用最多的一个数据集,它也是目前图像超分最常用的一个训练数据集(部分模型会考虑采用DF2K进一步提升模型性能,比如AIM2020-Efficient SuperResolution中的方法都采用了DF2K进行模型训练);REDS与Vimeo是视频超分领域应用最多的两个训练数据集(REDS是NTIRE2019竞赛中引入的一个数据集);RealSR、DRealSR是两个真实场景采集的图像超分数据集(具体怎样构建的训练数据对后期有空会介绍一下)。
尽管有了上述数据集,那么训练数据对LR-HR是如何构建的呢?