数据集来源
paper with code
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】
42个人工智能机器学习数据集推荐
Google数据集-SR
Super-Resolution 超分辨率
超分辨率技术是指从观测到的低分辨率图像重建出相应的高分辨率图像：Super-Resolution
Dataset：SR Dataset
DIV2K
DIV2K是一个流行的单图像超分辨率数据集，其中包含1，000张具有不同场景的图像，并拆分为800张用于训练，100张用于验证，100张用于测试。它是为NTIRE2017和NTIRE2018超分辨率挑战收集的，以鼓励研究具有更逼真退化的图像超分辨率。此数据集包含具有不同类型降级的低分辨率图像。除了标准的双三次下采样外，在为不同的挑战轨迹合成低分辨率图像时，还考虑了几种类型的退化。NTIRE 2017 的轨道 2 包含具有未知 x4 降尺度的低分辨率图像。NTIRE 2018 的轨道 2 和轨道 4 分别对应于现实的轻度×4 和现实的狂野×4 不利条件。在逼真的轻度x4设置下，低分辨率图像会受到运动模糊，泊松噪声和像素偏移的影响。在逼真的野生x4设置下，退化进一步扩展到图像的不同级别。
链接：DIV2K
Urban100
Urban100 数据集包含 100 张城市场景影像。它通常用作测试集来评估超分辨率模型的性能。
链接：Urban100
BSD (Berkeley Segmentation Dataset)
BSD是经常用于图像去噪和超分辨率的数据集。在子数据集中，BSD100是具有100个测试图像的经典图像数据集，由Martin等人提出。该数据集由各种各样的图像组成，从自然图像到特定对象，如植物，人，食物等。BSD100 是伯克利分割数据集 BSD300 的测试集。
链接：BSD (Berkeley Segmentation Dataset)
EarVN1.0
近年来，耳朵识别开始作为其他生物识别类型的替代品而发展。EarVN1.0数据集是通过收集2018年164个亚洲人的耳朵图像而构建的。它是向研究界公开的最大的耳朵数据集之一，由98名男性和66名女性的28,412张彩色图像组成。因此，该数据集不同于以前的工作，即在无约束条件下提供每个人的双耳图像。原始面部图像是在摄像机系统和光条件下获得的。然后，通过姿势、尺度和光照的巨大变化，从面部图像中裁剪出耳朵图像。一些机器学习任务可以应用，如耳识别、图像分类或聚类、性别识别、右耳或左耳检测和增强的超分辨率。
链接：EarVN1.0
TextZoom
TextZoom是一个超分辨率数据集，由成对的低分辨率 - 高分辨率场景文本图像组成。这些图像是由野外不同焦距的相机拍摄的。
链接：TextZoom
Cardiac super-resolution label maps
NIfTI 文件在 1,331 名受试者中以低分辨率 (LR) 和高分辨率 (HR) 记录舒张末期 (ED) 和收缩末期 (ES)。如前所述 (https://doi.org/10.1016/j.media.2015.08.009) 在 LR 和 HR 处生成左心室血池、左心室心肌和右心室血池的真实标签。
链接：Cardiac super-resolution label maps
指标描述
————————
