HDRVD2K

HDRVD2K是一个大规模的HDR视频数据集，由上海大学创建。该数据集包含2200个独立的视频片段，选自500个高质量HDR视频，涵盖了丰富的场景和多种运动类型。所有视频片段均经过主观测试验证其动态范围和真实性。该数据集旨在促进 learned HDR 视频压缩方法的发展，并用于训练和评估网络在不同场景下的泛化能力。

HDRVD2K is a large-scale HDR video dataset created by Shanghai University. It contains 2200 individual video clips selected from 500 high-quality HDR videos, covering rich scenarios and diverse motion types. All video clips have been validated for their dynamic range and authenticity via subjective testing. This dataset aims to promote the development of learned HDR video compression methods, and is used for training and evaluating the generalization capability of networks across different scenarios.

搜集汇总

数据集介绍

构建方式

HDRVD2K数据集的构建旨在填补高动态范围(HDR)视频训练数据的空白，为学习视频压缩(LVC)方法提供大量、多样场景和多种运动类型的视频素材。研究者从专业视频平台上收集了500个高质量的HDR视频，并从中提取了2200个不同的视频片段。这些视频片段经过专业的视频编辑软件处理，以确保其动态范围和真实性。为了验证视频片段的多样性和丰富性，进行了大量的数据分析，并通过在专业HDR显示设备上进行的仔细主观实验来确保其现实性和动态范围。

使用方法

HDRVD2K数据集的使用方法主要包括两个方面。首先，它可以用作学习视频压缩方法的训练数据集，以提升LVC方法在HDR视频压缩方面的性能。其次，该数据集还可以用于评估和测试LVC方法的泛化能力，以及在不同场景下的性能表现。此外，研究者还可以利用该数据集进行相关算法的研发和优化，以进一步提升HDR视频的压缩效率和质量。

背景与挑战

背景概述

HDRVD2K数据集的研究背景概述：随着高动态范围（HDR）视频捕捉技术和显示设备的显著进步，对HDR视频技术的需求在各领域（如摄影、医疗成像、游戏）中日益增长。HDR视频能够在HDR显示器上产生更逼真的场景，与低动态范围（LDR）视频相比，其能够展示完整的可见光范围。然而，HDR视频通常采用浮点值表示自然场景，这导致其占用巨大的传输带宽和存储空间，阻碍了其广泛应用。为了在无损感知质量的情况下高效压缩HDR视频，传统HDR视频压缩算法被提出，但这些方法依赖于视频的统计特性来优化每个手工设计模块，发展受限。因此，需要通过整个压缩系统优化来进一步探索改进。最近，研究人员探索了基于深度神经网络的端到端视频编码（LVC）方法，这些方法在压缩性能方面取得了卓越成果，并超越了传统编解码器。因此，通过联合优化整个压缩系统来进一步改进HDR视频压缩性能变得非常必要。为了促进LVC方法在HDR视频上的应用，HDRVD2K数据集应运而生，旨在填补HDR视频训练数据的空白，并促进LVC方法在HDR视频上的发展。

当前挑战

HDRVD2K数据集相关的挑战：1) HDR视频训练数据的缺乏：目前公开可用的HDR视频数据集数量有限，场景和运动模式种类不足，导致LVC方法在训练时可能出现模型泛化能力不足和缺乏多样性的问题。2) 现有LVC方法在HDR视频上的不适用性：现有LVC方法主要在LDR视频上进行模型优化，未能考虑HDR视频的独特动态范围特征，导致在HDR视频上压缩性能不佳。因此，需要为HDR视频设计新的LVC框架。

常用场景

经典使用场景

HDRVD2K数据集主要用于学习和研究高动态范围(HDR)视频压缩技术，特别是基于深度学习的视频压缩方法。数据集包含了大量的高质量HDR视频片段，涵盖了丰富的场景和多种运动类型，为研究人员提供了一个广泛且多样化的数据基础，以训练和测试HDR视频压缩算法。此外，HDRVD2K数据集还被用于评估和比较不同HDR视频压缩算法的性能，以及评估算法在不同场景和运动模式下的泛化能力。

解决学术问题

HDRVD2K数据集解决了高动态范围视频压缩领域的一个重要问题，即缺乏大规模、高质量的HDR视频训练数据。现有的HDR视频数据集在数量、场景多样性和运动模式方面存在限制，导致基于这些数据集训练的模型泛化能力不足。HDRVD2K数据集的提出填补了这一空白，为学习和研究HDR视频压缩技术提供了强有力的支持。此外，HDRVD2K数据集还促进了基于深度学习的视频压缩技术在HDR视频领域的应用，推动了HDR视频压缩技术的进一步发展。

实际应用

HDRVD2K数据集的实际应用场景主要包括以下几个方面：1. 训练和测试HDR视频压缩算法，以提高算法的性能和泛化能力；2. 评估和比较不同HDR视频压缩算法的性能，为实际应用提供参考；3. 研究和开发新的HDR视频压缩技术，以提高HDR视频的压缩效率和画质。此外，HDRVD2K数据集还可以用于其他相关领域，如HDR视频质量评估、HDR视频内容识别等。

数据集最近研究

最新研究方向

在高动态范围（HDR）视频压缩领域，最新研究方向聚焦于学习视频压缩（LVC）技术，旨在通过深度神经网络实现端到端的视频压缩。HDRVD2K数据集的提出，为这一领域的研究提供了丰富的训练数据，有助于提升模型在HDR视频压缩任务上的泛化能力和压缩性能。在此基础上，研究人员提出了首个针对HDR视频的位深度可缩放学习视频压缩（LBSVC）网络，通过有效利用视频之间的位深度冗余，显著提高了HDR视频的重建质量和压缩性能。LBSVC网络引入了位深度增强模块（BEM），利用压缩的色调映射低动态范围（LDR）视频和动态范围先验信息，有效地预测原始HDR视频，从而在保证视频质量的同时，实现了显著的比特率节省。这一研究成果为HDR视频压缩领域带来了新的突破，并为后续研究提供了重要的参考和借鉴。

相关研究论文

• High Dynamic Range Video Compression: A Large-Scale Benchmark Dataset and A Learned Bit-depth Scalable Compression Algorithm

  上海大学 · 2025年