有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
LIVE Image Quality Assessment Database|图像质量评估数据集
收藏live.ece.utexas.edu2024-11-02 收录
下载链接：
http://live.ece.utexas.edu/research/quality/
下载链接
链接失效反馈资源简介：
LIVE Image Quality Assessment Database 是一个用于图像质量评估的数据集，包含了一系列经过处理的图像，这些图像用于评估不同类型的图像失真对人类视觉感知的影响。数据集包括原始图像和经过压缩、模糊、噪声等处理的图像，以及每张图像的主观评分。
提供机构：
live.ece.utexas.edu
AI搜集汇总
数据集介绍
构建方式
LIVE图像质量评估数据库的构建基于对原始图像进行多种失真处理，包括高斯模糊、JPEG压缩、噪声添加等。这些失真图像与原始图像配对，形成了一个包含多种失真类型的图像对集合。通过邀请大量观察者对这些图像进行主观评分，数据库记录了每对图像的质量评分，从而为客观质量评估模型的训练提供了丰富的数据支持。
特点
LIVE图像质量评估数据库的显著特点在于其多样性和广泛性。该数据库不仅涵盖了多种常见的图像失真类型，还通过大规模的主观评分确保了数据的可靠性和代表性。此外，数据库中的图像涵盖了不同的内容和分辨率，使得其适用于各种图像质量评估任务。
使用方法
LIVE图像质量评估数据库主要用于训练和验证图像质量评估算法。研究者可以通过该数据库获取失真图像及其对应的主观评分，用于开发和测试新的质量评估模型。此外，该数据库还可用于评估现有模型的性能，通过对比模型预测结果与主观评分，研究者可以进一步优化和改进其算法。
背景与挑战
背景概述
在图像质量评估领域，LIVE Image Quality Assessment Database（LIVE数据库）的引入标志着该领域研究的重要进展。该数据库由德克萨斯大学奥斯汀分校的图像与视频工程实验室（LIVE）于2001年创建，由Anish Mittal和Alan C. Bovik领导。LIVE数据库包含了大量经过人工评分的高质量图像，这些图像经过多种失真处理，如高斯模糊、噪声、压缩失真等。该数据库的发布极大地推动了无参考图像质量评估算法的发展，为研究人员提供了一个标准化的测试平台，从而促进了图像处理和计算机视觉领域的技术进步。
当前挑战
尽管LIVE数据库在图像质量评估领域具有重要地位，但其构建过程中也面临诸多挑战。首先，如何确保人工评分的准确性和一致性是一个关键问题，因为这直接影响到后续算法的训练和验证。其次，选择和处理失真类型以模拟真实世界中的图像退化情况，需要深入了解各种失真对图像质量的影响。此外，随着图像处理技术的不断发展，数据库需要定期更新以保持其相关性和有效性。最后，如何在保持数据库规模的同时，确保数据的多样性和代表性，也是构建过程中需要克服的难题。
发展历史
创建时间与更新
LIVE Image Quality Assessment Database由阿卜杜拉国王科技大学（KAUST）的图像与视频工程实验室于2006年创建，旨在为图像质量评估研究提供一个标准化的基准。该数据集在2013年进行了重大更新，增加了更多的图像样本和多样化的失真类型，以适应不断发展的图像处理技术需求。
重要里程碑
LIVE Image Quality Assessment Database的创建标志着图像质量评估领域的一个重要里程碑。其首次引入的多尺度失真模型和多样化的图像样本，为研究人员提供了一个全面的测试平台，极大地推动了图像质量评估算法的发展。2013年的更新进一步扩展了数据集的规模和多样性，使其成为图像质量评估研究中的一个不可或缺的资源。
当前发展情况
当前，LIVE Image Quality Assessment Database已成为图像质量评估领域的标准数据集之一，广泛应用于学术研究和工业应用中。其丰富的图像样本和多样化的失真类型，为开发和验证新的图像质量评估算法提供了坚实的基础。随着图像处理技术的不断进步，该数据集也在持续更新，以保持其前沿性和实用性，对推动图像质量评估技术的发展起到了关键作用。
发展历程
- LIVE Image Quality Assessment Database首次发表，由H.R. Sheikh等人创建，旨在提供一个用于图像质量评估的标准化数据集。
- 该数据集首次应用于图像处理领域的研究，特别是在无参考图像质量评估（NR-IQA）算法的研究中。
- LIVE Image Quality Assessment Database被广泛接受为图像质量评估领域的基准数据集，促进了多种新型IQA算法的开发与验证。
- 数据集进行了扩展，增加了更多的图像样本和失真类型，以适应不断发展的图像处理技术需求。
- LIVE Image Quality Assessment Database在多个国际图像处理会议上被引用，成为图像质量评估研究的重要参考资源。
- 数据集的最新版本发布，进一步优化了图像样本的质量和多样性，以支持更复杂的图像质量评估任务。
常用场景
经典使用场景
在图像质量评估领域，LIVE Image Quality Assessment Database 数据集被广泛用于开发和验证各种图像质量评估算法。该数据集包含了多种类型的图像失真，如压缩失真、噪声、模糊等，为研究人员提供了一个全面的测试平台。通过对比不同算法在数据集上的表现，可以有效评估其对各种失真的适应性和鲁棒性。
解决学术问题
LIVE Image Quality Assessment Database 数据集解决了图像质量评估中的一个关键问题，即如何量化和比较不同图像质量评估算法的性能。通过提供多样化的失真图像和相应的感知质量评分，该数据集为研究人员提供了一个标准化的基准，促进了图像质量评估领域的研究进展。其意义在于推动了图像处理和计算机视觉领域的发展，为实际应用中的图像质量优化提供了理论支持。
衍生相关工作
基于 LIVE Image Quality Assessment Database 数据集，许多经典的研究工作得以展开。例如，研究人员开发了多种基于机器学习和深度学习的图像质量评估模型，这些模型在数据集上的表现显著优于传统方法。此外，该数据集还激发了关于图像失真类型和感知质量之间关系的深入研究，推动了图像质量评估理论的发展。这些衍生工作不仅丰富了图像处理领域的研究内容，也为实际应用提供了更多有效的解决方案。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致，仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新，以修正其长期趋势存在的问题。
国家青藏高原科学数据中心 收录
lmarena-ai/arena-hard-auto-v0.1
--- license: apache-2.0 dataset_info: features: - name: question_id dtype: string - name: category dtype: string - name: cluster dtype: string - name: turns list: - name: content dtype: string splits: - name: train num_bytes: 251691 num_examples: 500 download_size: 154022 dataset_size: 251691 configs: - config_name: default data_files: - split: train path: data/train-* --- ## Arena-Hard-Auto **Arena-Hard-Auto-v0.1** ([See Paper](https://arxiv.org/abs/2406.11939)) is an automatic evaluation tool for instruction-tuned LLMs. It contains 500 challenging user queries sourced from Chatbot Arena. We prompt GPT-4-Turbo as judge to compare the models' responses against a baseline model (default: GPT-4-0314). Notably, Arena-Hard-Auto has the highest *correlation* and *separability* to Chatbot Arena among popular open-ended LLM benchmarks ([See Paper](https://arxiv.org/abs/2406.11939)). If you are curious to see how well your model might perform on Chatbot Arena, we recommend trying Arena-Hard-Auto. Please checkout our GitHub repo on how to evaluate models using Arena-Hard-Auto and more information about the benchmark. If you find this dataset useful, feel free to cite us! ``` @article{li2024crowdsourced, title={From Crowdsourced Data to High-Quality Benchmarks: Arena-Hard and BenchBuilder Pipeline}, author={Li, Tianle and Chiang, Wei-Lin and Frick, Evan and Dunlap, Lisa and Wu, Tianhao and Zhu, Banghua and Gonzalez, Joseph E and Stoica, Ion}, journal={arXiv preprint arXiv:2406.11939}, year={2024} } ```
hugging_face 收录
MedDialog
MedDialog数据集（中文）包含了医生和患者之间的对话（中文）。它有110万个对话和400万个话语。数据还在不断增长，会有更多的对话加入。原始对话来自好大夫网。
github 收录
Wind Turbine Data
该数据集包含风力涡轮机的运行数据，包括风速、风向、发电量等参数。数据记录了多个风力涡轮机在不同时间点的运行状态，适用于风能研究和风力发电系统的优化分析。
www.kaggle.com 收录
中国乡镇 GeoJSON 数据
这个数据集包含了中国所有乡镇的地理区域数据，以GeoJSON格式提供。
github 收录