IR275K

IR275K是一个用于红外多帧超分辨率（IR-MFSR）的基准数据集。它包含594个经过筛选的红外视频序列，共计275,196帧，并提供固定的序列级训练/验证/测试分割，用于可重复的x4超分辨率评估。该数据集专为红外遥感场景设计，旨在评估重建质量、时间融合、鲁棒性和计算效率。它采用序列级分区，并保留了红外成像条件下的受控差异，如热对比度、时间噪声和帧间位移。IR275K is a benchmark dataset for infrared multi-frame super-resolution (IR-MFSR). It consists of 594 curated infrared video sequences, totaling 275,196 frames, and provides fixed sequence-level train/validation/test splits for reproducible x4 super-resolution evaluation. This dataset is specifically designed for infrared remote sensing scenarios, aiming to evaluate reconstruction quality, temporal fusion, robustness, and computational efficiency. It adopts sequence-level partitioning and preserves controlled variations inherent in infrared imaging conditions, such as thermal contrast, temporal noise, and inter-frame displacement.

原始信息汇总

数据集概述

IR275K 是一个专为红外多帧超分辨率（IR-MFSR）设计的基准数据集，旨在评估红外遥感场景下的重建质量、时间融合、鲁棒性和计算效率。

基本信息

项目	描述
数据集名称	IR275K
任务	红外多帧超分辨率
缩放因子	x4
序列数量	594
帧数	275,196
空间分辨率	640 x 512 像素
MFSR 输入	连续三帧低分辨率红外图像
目标	高分辨率中心帧
低分辨率生成方式	双三次下采样
评估指标	单通道图像的 PSNR 和 SSIM
边界裁剪	10 像素

数据集划分

数据集在序列级别进行固定划分，确保同一原始序列的帧不会出现在不同分区中。

划分	序列数	帧数	最小长度	最大长度	平均长度	中位数长度
训练集	261	192,776	445	5,625	738.6	548
验证集	111	27,576	17	445	248.4	300
测试集	222	54,844	16	432	247.0	300
总计	594	275,196	16	5,625	463.3	400

测试能力

IR275K 旨在暴露红外视频中常见的失效模式，这些模式在随机数据划分中可能被掩盖：

• 弱热对比度：红外信号强度取决于目标与背景之间的温差。
• 时间噪声：测试序列包含更重的时间噪声上尾，形成受控的噪声域差距。
• 帧间位移：验证集和测试集覆盖比训练集更广的运动范围，测试更困难条件下的鲁棒性。
• 弱纹理：均质陆地与海洋场景要求无伪影的重建，避免产生虚构结构。
• 结构化热边界：城市与低空场景测试方法是否能保持边缘和局部强度过渡。

数据集目录结构

IR275K/ train/ HR/ LR/ val/ HR/ LR/ test/ HR/ LR/ meta/ train_sequences.txt val_sequences.txt test_sequences.txt sequence_metadata.csv scripts/ build_meta.py evaluate.py configs/

下载

完整的数据集镜像文件可通过百度网盘临时链接获取。正式数据集记录及永久标识符将在最终发布后添加。

• 文件：DATASET_IR275K.tar
• 百度网盘：https://pan.baidu.com/s/1rlV_j1dUqRxSNyYB9JCd9A
• 提取码：4rh9

评估协议

所有方法应在统一协议下评估：

1. 使用 x4 超分辨率。
2. 通过双三次下采样从高分辨率红外帧生成低分辨率输入。
3. 多帧方法使用连续三帧低分辨率图像。
4. 单图方法使用单帧低分辨率图像。
5. 重建高分辨率中心帧。
6. 在单通道重建图像上计算 PSNR 和 SSIM。
7. 计算指标前裁剪图像边界 10 像素。
8. 报告批大小为 1 的运行时间、参数量和 FLOPs。

数据来源

IR275K 从公开的红外数据源中整理，用户需遵守原始数据提供方的条款：

• AnyTSR++：Prompt-Oriented Any-Scale Thermal Super-Resolution for Unmanned Aerial Vehicle。
• 红外视频卫星航空移动目标检测数据集，Science Data Bank，CSTR: 31253.11.sciencedb.j00240.00077。
• 复杂背景下红外小移动目标半合成检测数据集，Science Data Bank，CSTR: 31253.11.sciencedb.j00001.00231。

引用

使用 IR275K 时，请引用数据集论文： bibtex @article{deng2026ir275k, title={IR275K: A Benchmark for Infrared Multi-Frame Super-Resolution Toward Efficient Remote Sensing}, author={Deng, Jie and Wang, Heyang and Wang, Changxin and Shen, Junkai and Chen, Hongyi and He, Zhiping and Qi, Hongxing and Zhang, Xudong and Wang, Jianyu}, journal={}, year={2026} }

论文正式出版后请更新引用。

许可

• 代码、元数据、固定划分文件和评估脚本采用 MIT 许可。
• 图像数据来自公开的第三方红外数据集，受原始数据提供者的许可、使用条款和引用要求约束（详见 DATA_LICENSE.md）。

联系

如有问题，请联系：Jie Deng ([e-mail])

搜集汇总

数据集介绍

构建方式

IR275K是一个专为红外多帧超分辨率任务设计的基准数据集，旨在填补该领域缺乏标准化评估体系的空白。该数据集从公开的红外影像数据源中精心筛选了594段红外视频序列，共计275,196帧图像，所有图像均具有640×512像素的空间分辨率。在构建过程中，为确保评估的公平性与可重复性，数据集采用了序列级别的划分策略，将全部序列严格划分为训练集（261个序列）、验证集（111个序列）和测试集（222个序列），并固定了这些划分文件。对于多帧超分辨率任务，输入为三张连续的低分辨率红外帧，目标为重建高分辨率中心帧，低分辨率图像通过双三次下采样生成，放大因子为4倍。评估指标采用单通道图像的峰值信噪比和结构相似性指标，并在计算前对图像边界进行10像素的裁剪。

特点

IR275K数据集的核心特点在于其专门针对红外成像中的常见挑战而设计，能够有效暴露传统随机数据划分所隐藏的问题。数据集在序列划分中保留了红外特有的成像条件差异，包括弱热对比度（目标与背景的温差导致的信号强度变化）、时域噪声（测试序列包含更重的噪声尾分布，形成可控的噪声域差异）、帧间位移（验证集和测试集覆盖更宽的运动范围，考验模型在困难对应条件下的鲁棒性）、弱纹理区域（均匀的陆地和海洋场景要求无伪影且无幻觉结构的重建）以及结构化热边界（城市和低空场景考验方法对边缘和局部强度过渡的保持能力）。这些特点使得IR275K能够全面评估模型在重建质量、时间融合能力、鲁棒性和计算效率等方面的综合表现。

使用方法

使用IR275K数据集时，研究者需遵循统一的评估协议。首先，所有方法均需针对4倍超分辨率任务进行测试。对于多帧方法，输入应为三张通过双三次下采样生成的低分辨率连续帧；对于单图像方法，则仅使用一张低分辨率帧。模型需重建高分辨率中心帧，并计算单通道重建结果相对于真实高分辨率帧的峰值信噪比和结构相似性指标。在指标计算前，需对图像边界进行10像素的裁剪。此外，报告结果时需同时提供批次大小为1的运行时间、模型参数量和浮点运算次数。数据集提供了完整的元数据文件和评估脚本，研究者可通过运行脚本进行自动化评估，并依据固定的序列划分文件进行训练、验证和测试。

背景与挑战

背景概述

红外多帧超分辨率（IR-MFSR）技术旨在从连续的低分辨率红外视频帧中重建高分辨率图像，在遥感、目标检测与监视等领域具有关键应用价值。然而，现有数据集多采用随机帧级划分，未能有效涵盖红外影像特有的弱热对比度、时域噪声和帧间位移等成像条件差异，导致模型评估缺乏鲁棒性。为此，由邓杰、王赫扬等研究人员于2026年发布了IR275K基准数据集，该数据集包含594段精心筛选的红外视频序列，总计275,196帧，空间分辨率为640×512像素，专为×4倍超分辨率任务设计。通过采用序列级划分策略，IR275K确保了训练、验证与测试集在红外成像条件上的可控差异，为评估模型的时域融合能力与鲁棒性提供了标准化平台，显著推动了红外遥感超分辨率领域的发展。

当前挑战

IR275K数据集所应对的核心挑战在于红外视频超分辨率中因随机数据划分而隐藏的失效模式。首先，弱热对比度问题使红外信号强度依赖于目标与背景的温度差，导致传统模型难以有效区分微弱目标。其次，时域噪声的分布不均，测试序列包含更重的噪声尾部分布，对模型的噪声抑制能力构成严峻考验。此外，帧间位移范围的扩大，验证与测试集覆盖更宽的运动区间，要求算法在更困难的对应条件下仍保持稳健。构建过程中，从多源红外数据中筛选并保证各序列的成像条件差异可控，同时维持序列级划分的纯净性，也是一项技术挑战。这些挑战共同促使IR275K成为评估红外多帧超分辨率方法在真实复杂场景下性能的权威基准。

常用场景

经典使用场景

IR275K数据集专为红外多帧超分辨率任务设计，其经典使用场景聚焦于红外遥感领域中的高分辨率图像重建。该数据集包含594段精心筛选的红外视频序列，总计275,196帧，采用序列级划分策略确保训练、验证和测试集间的独立性。研究者通常利用该数据集评估模型在弱热对比、时间噪声、帧间位移及弱纹理区域等复杂红外成像条件下的重建性能，通过输入三张连续低分辨率红外帧，重建出高分辨率的中心帧，从而实现x4倍率的超分辨率任务。

解决学术问题

IR275K数据集有效解决了红外多帧超分辨率研究中因随机数据划分而掩盖的失败模式问题。它暴露了弱热对比场景下信号与背景温度差异导致的性能退化、时间噪声分布的不均匀性、帧间大位移带来的配准挑战，以及均匀地面和海洋场景中伪影与纹理保持的难题。通过提供固定的序列级划分和标准化的评估协议，该数据集推动了红外遥感领域超分辨率模型在鲁棒性、时序融合精度和计算效率上的客观比较与系统评价。

衍生相关工作

围绕IR275K数据集，研究社区已衍生出多项经典工作，包括基于时序注意力机制的多帧融合网络、引入可变形卷积的帧间运动补偿模型，以及利用隐式神经表示实现任意尺度重建的创新方法。其中，CGMamba基准模型结合状态空间模型与门控机制，在保持低计算开销的同时显著提升了重建质量。这些工作不仅深化了对红外视频时空特性的理解，还推动了超分辨率技术在遥感领域从静态图像向动态序列的范式迁移，为后续轻量化实时系统的开发奠定了方法论基础。