FLIR-IISR Dataset

FLIR-IISR数据集包含1457对图像，涵盖12个场景类别（如人物、自行车、摩托车、汽车等）和两种退化类型（光学模糊和运动模糊）。图像尺寸为1024×768。

The FLIR-IISR dataset contains 1457 image pairs, covering 12 scene categories (e.g., humans, bicycles, motorcycles, tricycles, cars, buses, airplanes, statues, general objects, buildings, roads, and complex scenes) and two degradation labels: optical blur and motion blur. The images have a resolution of 1024×768.

原始信息汇总

FLIR-IISR 数据集概述

数据集基本信息

• 数据集名称：FLIR-IISR Dataset
• 关联研究：Toward Real-world Infrared Image Super-Resolution: A Unified Autoregressive Framework and Benchmark Dataset
• 发表会议：CVPR 2026
• 论文链接：https://arxiv.org/abs/2603.04745

数据集下载

• Google Drive：https://drive.google.com/file/d/1I0w6Mpgm9gr7SwAtVdOWnQQKpn_Q6N1M/view?usp=sharing
• Hugging Face：https://huggingface.co/datasets/yuanzsz/FLIR-IISR/tree/main
• 百度网盘：https://pan.baidu.com/s/1oysR3x-BCCLrd992Wq6Upw?pwd=FLIR

数据集构成

• 总图像对数量：1457 对
• 单张图像尺寸：1024 × 768 像素

场景类别标签（12类）

1. person (309)
2. bicycle (22)
3. motorcycle (27)
4. tricycle (13)
5. car (234)
6. bus (5)
7. plane (54)
8. statue (157)
9. regular object (248)
10. building (706)
11. road (132)
12. complex scene (401)

退化类型标签

• Optical blur (1305)
• Motion blur (152)

数据预览图（绝对地址）

• 场景标签示例图：

  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Person.bmp
  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Bicycle.bmp
  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Motorcycle.bmp
  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Tricycle.bmp
  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Car.bmp
  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Bus.bmp
  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Plane.bmp
  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Statue.bmp
  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Regular%20object.bmp
  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Building.bmp
  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Road.bmp
  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Complex%20Scene.bmp

• 退化标签示例图：

  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Optical_blur1.bmp
  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Optical_blur2.bmp
  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Motion_blur1.bmp
  • https://github.com/JZD151/Real-IISR/raw/main/assets/figures/Motion_blur2.bmp

引用格式

bibtex @misc{zou2026realworldinfraredimagesuperresolution, title={Toward Real-world Infrared Image Super-Resolution: A Unified Autoregressive Framework and Benchmark Dataset}, author={Yang Zou and Jun Ma and Zhidong Jiao and Xingyuan Li and Zhiying Jiang and Jinyuan Liu}, year={2026}, eprint={2603.04745}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2603.04745}, }

搜集汇总

数据集介绍

构建方式

在红外图像超分辨率研究领域，构建高质量的基准数据集对于推动算法在真实场景中的应用至关重要。FLIR-IISR数据集的构建过程体现了严谨的科学方法，通过采集真实世界中的红外图像，精心筛选并配对形成1457组图像对。每对图像均包含高分辨率参考图像及其对应的低分辨率版本，图像尺寸统一为1024×768像素。数据集进一步依据场景内容细分为12个类别，涵盖人物、交通工具、建筑物等多种常见目标，同时标注了光学模糊和运动模糊两种退化类型，以模拟实际成像过程中可能出现的失真情况。这种系统化的构建方式确保了数据集的多样性和代表性，为算法评估提供了可靠的基础。

特点

该数据集在红外视觉任务中展现出鲜明的特色，其核心在于覆盖了广泛且具代表性的真实场景。数据集中包含的12个场景类别，如行人、车辆、建筑等，几乎囊括了红外成像技术在实际应用中的主要对象，确保了算法训练与测试的全面性。此外，数据集明确标注了光学模糊与运动模糊两种退化模式，这两种模糊类型在红外图像采集过程中极为常见，使得数据集能够精准反映真实世界的成像挑战。图像对的数量达到1457组，规模适中且质量统一，为超分辨率模型的性能验证提供了充足且均衡的样本支持。

使用方法

研究人员可利用该数据集进行红外图像超分辨率算法的训练、验证与基准测试。数据集以图像对的形式组织，便于直接用于监督学习，其中低分辨率图像作为输入，对应的高分辨率图像作为重建目标。在具体使用中，可根据场景类别或退化标签对数据进行划分，以进行针对性的模型训练或评估模型在不同条件下的泛化能力。数据集已通过Google Drive、Hugging Face和百度网盘等多个平台公开发布，用户下载后可按需加载图像数据，并整合到现有的深度学习框架中，以推动红外图像增强技术的实际应用与发展。

背景与挑战

背景概述

红外图像超分辨率技术旨在提升低分辨率红外图像的空间细节，对于夜间监控、自动驾驶及军事侦察等视觉任务具有关键意义。FLIR-IISR数据集由西北工业大学等机构的研究团队于2026年构建，并发表于CVPR会议，其核心研究聚焦于解决真实世界场景下红外图像超分辨率的退化建模与重建问题。该数据集通过涵盖12类场景与两种典型退化模式，为算法评估提供了标准化基准，显著推动了红外视觉领域从仿真环境向实际应用过渡的进程。

当前挑战

在红外图像超分辨率领域，主要挑战在于真实退化过程的复杂性与数据稀缺性。具体而言，红外传感器受光学模糊与运动模糊等物理因素干扰，导致图像细节丢失与噪声增强，传统基于合成退化的方法难以泛化至实际场景。此外，数据构建过程中需精确采集高-低分辨率图像对，并标注多类别场景与退化类型，这对数据采集的同步性与标注一致性提出了较高要求，增加了数据集的构建难度与成本。

常用场景

经典使用场景

在红外成像技术领域，FLIR-IISR数据集为红外图像超分辨率研究提供了标准化的评估基准。该数据集包含1457对高分辨率与低分辨率红外图像，涵盖人物、车辆、建筑等12类场景，并标注了光学模糊与运动模糊两种退化类型。研究人员利用这些配对数据，能够训练和验证自回归等先进超分辨率模型，旨在从低质量红外图像中恢复出细节丰富的高分辨率图像，推动红外视觉系统的性能提升。

实际应用

在实际应用中，FLIR-IISR数据集支撑的红外超分辨率技术可显著增强夜间监控、自动驾驶感知与军事侦察等系统的视觉能力。例如，在能见度较低的夜间或恶劣天气条件下，红外成像系统捕获的图像往往分辨率不足、细节模糊。通过基于该数据集训练的模型进行图像增强，能够提升目标检测与识别的准确性，为安全监控、智能交通及国防领域提供更清晰、可靠的红外视觉信息，具有重要的工程价值。

衍生相关工作

围绕FLIR-IISR数据集，已衍生出多项经典研究工作，其中最具代表性的是与之同期提出的统一自回归框架Real-IISR。该框架利用数据集的真实退化特性，构建了端到端的红外超分辨率模型。此外，基于VAR与VARSR等先进视觉自回归模型的改进版本也相继涌现，这些工作进一步探索了红外图像序列建模、多尺度特征融合等方向，推动了红外超分辨率技术向更高效、更实用的方向发展，形成了以该数据集为核心的研究脉络。