GGT-100K

GGT-100K是一个用于可泛化真实世界图像恢复的生成式地面真值数据集，包含低质量（LQ）和高质量（HQ）图像对，旨在扩展图像恢复模型的泛化边界。GGT-100K is a generative ground-truth dataset for generalizable real-world image restoration, which includes paired low-quality (LQ) and high-quality (HQ) images and aims to expand the generalization boundary of image restoration models.

原始信息汇总

GGT-100K 数据集概述

GGT-100K 是一个用于通用真实世界图像恢复的生成式真实数据（Ground Truth）数据集，由香港理工大学与OPPO研究院联合构建。

核心目标

通过大规模多模态基础模型（MFMs）生成真实世界的低质量与高质量图像对，扩展图像恢复模型的泛化边界。

数据集规模与内容

• 主数据集名称为 GGT-100K。
• 数据集中包含成对的低质量（LQ）与高质量（GT）图像。
• 数据集提供三份JSONL文件用于训练与测试：
  • train_existing.jsonl：仅使用现有数据的训练对路径。
  • train_existing_GGT.jsonl：现有数据加上GGT-100K的训练对路径。
  • test_GGT_500.jsonl：GGT-100K-500测试集的对路径。
• 每一条JSONL记录包含 "gt"、"lq" 和 "prompt" 三个字段（prompt 仅Qwen-Image-Edit方法使用）。

下载方式

• Hugging Face：https://huggingface.co/datasets/VCLab-PolyU/GGT-100K/tree/main
• 百度网盘：https://pan.baidu.com/s/1d-wly8RDoCOi59kBL5reSQ?pwd=f38z（密码：f38z）

数据集构成（三个部分）

1. GGT-100K：主数据集，包含成对的图像。
2. existing-dataset：论文中使用的外部/已有数据集（建议与GGT-100K联合使用进行训练）。
3. pretrained-models：预训练模型检查点，涵盖10个模型×2种训练设置（仅使用现有数据训练 vs 现有数据+GGT-100K训练），共20个检查点。

许可证

数据集采用 Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) 许可证。

构建流程

GGT-100K 的构建包含四个步骤：

• 评估现有多模态基础模型（MFMs）的恢复性能（报告了定量结果）。
• 基于评估结果，利用MFMs生成真实世界的低质量与高质量图像对。

实验结果

• 训练了10个图像恢复模型，包含使用与不使用GGT-100K的对比实验。
• 实验结果显示GGT-100K显著提升了模型在真实世界退化上的泛化能力（包含定量与视觉对比结果）。

支持的基线模型与训练/推理方法

项目提供统一的训练脚本 train.sh 和测试脚本 test.sh，支持以下模型的训练与推理：

• DA-CLIP UIR (daclip-uir)
• FoundIR (FoundIR)
• MoCE-IR (MoCE-IR)
• BasicSR家族（X-Restormer / NAFNet / PromptIR / MPRNet / SwinIR）
• Qwen-Image-Edit (qwen-image-edit)
• Flux-ControlNet (flux-controlnet)

训练与推理均通过JSONL文件指定图像对路径，并提供相应的预训练模型下载。

搜集汇总

数据集介绍

构建方式

GGT-100K数据集由香港理工大学与OPPO研究院联合构建，旨在为真实世界图像复原任务提供高质量的生成式真值（Generative Ground Truth）。构建过程共分为四步：首先，系统性地评估现有多模态基础模型（MFMs）在图像复原任务上的表现；其次，基于评估结果筛选出性能优异的MFMs，利用其生成大量低质量-高质量（LQ-HQ）图像对；接着，通过人工与自动相结合的方式对生成结果进行质量筛查与过滤，剔除不达标的样本；最后，整合并组织这些高质量图像对，形成包含10万对样本的GGT-100K数据集。这一流程确保了数据集在规模与质量上的双重优势，为模型泛化能力的提升奠定了坚实基础。

特点

GGT-100K数据集的核心特点在于其高度泛化性与真实世界场景的适配性。不同于传统合成退化数据集，该数据集通过多模态基础模型生成LQ-HQ图像对，能够覆盖更丰富、更贴近现实的退化类型（如模糊、噪声、低光照、复杂纹理失真等），从而显著扩展图像复原模型的泛化边界。数据集包含10万对高质量图像，并提供了配套的JSONL文件（如train_existing_GGT.jsonl），便于与现有数据集联合训练。此外，数据集附带20个预训练模型检查点（涵盖10种基线方法×2种训练设置），支持研究者在统一基准下进行公平比较。

使用方法

使用GGT-100K数据集进行训练与测试时，研究者可通过项目提供的统一脚本（train.sh与test.sh）便捷操作。训练时，通过--train-jsonl参数指定JSONL文件路径（如train_existing_GGT.jsonl），即可将GGT-100K与现有数据联合训练；测试时，通过--test-jsonl指定测试集JSONL（如test_GGT_500.jsonl），并配合--ckpt指定检查点路径，即可完成推理。JSONL文件中每行包含gt、lq与prompt三个字段，其中prompt仅对Qwen-Image-Edit方法有效，其他方法可留空。数据集的完整文件结构包括GGT-100K主数据集、external-dataseat及pretrained-models三部分，可从Hugging Face或百度网盘获取。

背景与挑战

背景概述

GGT-100K数据集由香港理工大学与OPPO研究院的研究团队于2025年共同创建，核心成员包括孔祥涛、赵吉鑫、孙灵晨、吴荣元及张磊教授。该数据集针对真实世界图像复原中泛化能力不足的瓶颈问题，创新性地提出利用多模态基础模型（MFMs）生成高质量低质量配对图像，从而构建出名为GGT-100K的大规模高质量配对数据集。通过提供丰富且多样化的真实退化场景，GGT-100K显著提升了图像复原模型在未见过的现实退化情况下的泛化性能，为图像复原领域引入了全新的训练范式，有望推动该领域向更通用、更鲁棒的方向发展。

当前挑战

该数据集面临的核心挑战在于：传统图像复原方法对特定合成退化过度拟合，难以适应真实世界中复杂多变的退化模式，导致模型泛化能力薄弱。构建过程中，研究团队需应对多模态基础模型在选择与生成质量上的不确定性，确保生成的高质量图像具有足够的真实感与多样性。此外，团队还需设计严谨的评估流程以筛选最优生成模型，并协调10种基线与2种训练设置下的20个预训练模型的统一训练与测试框架，确保数据使用的高效性与可复现性。

常用场景

经典使用场景

在图像修复（Image Restoration）领域中，GGT-100K 被广泛用作高质量训练与评估的基准数据集。该数据集通过多模态基础模型（MFMs）生成真实世界的低质量（LQ）与高质量（HQ）图像对，突破了传统合成降质数据集的泛化瓶颈。研究者可借助其包含的100,000对精细对齐的图像对，训练诸如SwinIR、NAFNet、Restormer等经典修复模型，或对现有模型在真实场景下的修复性能进行系统性评估。该数据集特别适用于检验模型在未知复杂降质（如雾霾、噪声、模糊混合）下的鲁棒性，已成为衡量通用图像修复算法能力的首要试验场。

解决学术问题

GGT-100K 直面了图像修复领域长期存在的核心学术困境——传统数据集过度依赖人工合成的降质模型（如高斯噪声、固定模糊核），导致训练出的模型在应用于真实世界时泛化能力极为有限。该数据集利用生成式多模态模型天然具备的真实降质建模能力，提供了高度贴近实际拍摄场景的成对数据，使得学术研究能够从“模拟环境”跃迁至“真实场景”。由此，研究者得以系统性地探讨并量化模型在面对未知、复合型降质时的表现，推动了去模糊、超分辨率、去雨等子任务在真实场景下的学术进展，显著提升了相关研究成果的实用价值与可信度。

衍生相关工作

GGT-100K 的发布催生了一系列富有影响力的衍生研究工作。一方面，研究者基于该数据集提出了多种新颖的修复架构，如结合视觉语言模型的可编辑修复框架Qwen-Image-Edit，以及利用扩散先验的Flux-ControlNet修复方案，这些工作均在该数据集上获得了显著的性能提升。另一方面，GGT-100K 启发了“生成式真实降质”这一新范式，后续工作如Real-ESRGAN的改进版及基于CLIP先验的DA-CLIP UIR模型均借鉴了其数据构建思路。此外，该数据集还被广泛用于对比不同修复模型在真实场景下的劣势，催生了一系列关于模型泛化性定量分析的开源工具与评测标准，深刻影响了图像修复领域的研究方向。