Voxel51/Urban100

---
annotations_creators: []
language: en
license: other
size_categories:
- 1K<n<10K
task_categories:
- image-to-image
task_ids: []
pretty_name: Urban100
tags:
- fiftyone
- image
- super-resolution
dataset_summary: >


This is a [FiftyOne](https://github.com/voxel51/fiftyone) dataset with 2200
samples.

## Installation

If you haven't already, install FiftyOne:

```bash

pip install -U fiftyone

```

## Usage

```python

import fiftyone as fo

import fiftyone.utils.huggingface as fouh

# Load the dataset

# Note: other available arguments include 'max_samples', etc

dataset = fouh.load_from_hub("jamarks/Urban100")

# Launch the App

session = fo.launch_app(dataset)

```
---

# Dataset Card for Urban100

<!-- Provide a quick summary of the dataset. -->


This is a [FiftyOne](https://github.com/voxel51/fiftyone) dataset with 2200 samples.

## Installation

If you haven't already, install FiftyOne:

```bash
pip install -U fiftyone
```

## Usage

```python
import fiftyone as fo
import fiftyone.utils.huggingface as fouh

# Load the dataset
# Note: other available arguments include 'max_samples', etc
dataset = fouh.load_from_hub("jamarks/Urban100")

# Launch the App
session = fo.launch_app(dataset)
```

## Dataset Details

### Dataset Description

The Urban100 dataset contains 100 images of urban scenes. It commonly used as a test set to evaluate the performance of super-resolution models.

- **Curated by:** Jia-Bin Huang, Abhishek Singh, Narendra Ahuja
- **Language(s) (NLP):** en
- **License:** other

### Dataset Sources

<!-- Provide the basic links for the dataset. -->

- **Repository:** https://github.com/jbhuang0604/SelfExSR
- **Paper:** https://openaccess.thecvf.com/content_cvpr_2015/papers/Huang_Single_Image_Super-Resolution_2015_CVPR_paper.pdf
- **Demo:** https://try.fiftyone.ai/datasets/urban100/samples

## Citation

<!-- If there is a paper or blog post introducing the dataset, the APA and Bibtex information for that should go in this section. -->

**BibTeX:**

```bibtex
@InProceedings{Huang_2015_CVPR,
author = {Huang, Jia-Bin and Singh, Abhishek and Ahuja, Narendra},
title = {Single Image Super-Resolution From Transformed Self-Exemplars},
booktitle = {Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
month = {June},
year = {2015}
}
```

## Dataset Card Authors

[Jacob Marks](https://huggingface.co/jamarks)

annotations_creators: []
language: en
license: other
size_categories:
- 1K<n<10K
task_categories:
- image-to-image
task_ids: []
pretty_name: Urban100
tags:
- fiftyone
- image
- 超分辨率（super-resolution）
dataset_summary: >


这是一个包含2200个样本的FiftyOne数据集，其官方仓库为https://github.com/voxel51/fiftyone。

## 安装

若尚未安装FiftyOne，请执行以下命令：

bash

pip install -U fiftyone

## 使用方法

python

import fiftyone as fo

import fiftyone.utils.huggingface as fouh

# 加载数据集

# 注：其他可用参数包括max_samples等

dataset = fouh.load_from_hub("jamarks/Urban100")

# 启动应用

session = fo.launch_app(dataset)

---

# Urban100 数据集卡片

<!-- 请简要概述该数据集。 -->


这是一个包含2200个样本的FiftyOne数据集。

## 安装

若尚未安装FiftyOne，请执行以下命令：

bash
pip install -U fiftyone

## 使用方法

python
import fiftyone as fo
import fiftyone.utils.huggingface as fouh

# 加载数据集
# 注：其他可用参数包括max_samples等
dataset = fouh.load_from_hub("jamarks/Urban100")

# 启动应用
session = fo.launch_app(dataset)

## 数据集详情

### 数据集描述

Urban100数据集包含100幅城市场景图像，常被用作评估超分辨率（super-resolution）模型性能的测试集。

- **整理者：** 黄佳斌（Jia-Bin Huang）、Abhishek Singh、Narendra Ahuja
- **自然语言处理语言：** 英语
- **许可证：** 其他

### 数据集来源

<!-- 请提供该数据集的基础链接信息。 -->

- **代码仓库：** https://github.com/jbhuang0604/SelfExSR
- **学术论文：** https://openaccess.thecvf.com/content_cvpr_2015/papers/Huang_Single_Image_Super-Resolution_2015_CVPR_paper.pdf
- **演示页面：** https://try.fiftyone.ai/datasets/urban100/samples

## 引用信息

<!-- 若该数据集对应介绍论文或博客文章，请在此处提供其APA与BibTeX引用信息。 -->

**BibTeX格式：**

bibtex
@InProceedings{Huang_2015_CVPR,
author = {Huang, Jia-Bin and Singh, Abhishek and Ahuja, Narendra},
title = {Single Image Super-Resolution From Transformed Self-Exemplars},
booktitle = {Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
month = {June},
year = {2015}
}

## 数据集卡片作者

[Jacob Marks](https://huggingface.co/jamarks)

原始信息汇总

数据集概述

基本信息

• 名称: Urban100
• 样本数量: 2200
• 语言: 英文
• 许可证: 其他
• 大小: 1K<n<10K
• 任务类别: 图像到图像
• 标签: fiftyone, 图像, 超分辨率

数据集描述

Urban100 数据集包含100张城市景观图像，常用于评估超分辨率模型的性能。

数据集来源

• 仓库: https://github.com/jbhuang0604/SelfExSR
• 论文: https://openaccess.thecvf.com/content_cvpr_2015/papers/Huang_Single_Image_Super-Resolution_2015_CVPR_paper.pdf
• 演示: https://try.fiftyone.ai/datasets/urban100/samples

引用信息

bibtex @InProceedings{Huang_2015_CVPR, author = {Huang, Jia-Bin and Singh, Abhishek and Ahuja, Narendra}, title = {Single Image Super-Resolution From Transformed Self-Exemplars}, booktitle = {Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, month = {June}, year = {2015} }

搜集汇总

数据集介绍

构建方式

在计算机视觉领域，高质量的图像超分辨率基准数据集对于算法评估至关重要。Urban100数据集由Jia-Bin Huang等人精心构建，专门用于测试单图像超分辨率模型的性能。该数据集精选了100张城市景观图像，涵盖建筑、街道和城市结构等多种场景，这些图像经过专业采集和处理，确保了内容的多样性和视觉复杂性，为模型提供了具有挑战性的测试环境。

特点

Urban100数据集以其独特的城市景观内容著称，图像细节丰富，纹理复杂，能够有效检验超分辨率算法在真实世界场景中的重建能力。数据集包含2200个样本，规模适中，便于快速实验与评估。其图像经过标准化处理，确保了数据的一致性和可比性，同时通过FiftyOne平台集成，支持高效的视觉化浏览与交互式分析，为研究人员提供了便捷的工具支持。

使用方法

使用Urban100数据集时，研究人员可通过FiftyOne库轻松加载数据。首先安装FiftyOne环境，然后利用`fiftyone.utils.huggingface`模块从Hub加载数据集，并可选择样本数量等参数。加载后，用户可启动交互式应用程序直观浏览图像，进行模型输出对比或数据标注。该流程简化了数据访问步骤，使焦点集中于算法开发与性能分析，提升研究效率。

背景与挑战

背景概述

在计算机视觉领域，图像超分辨率技术致力于从低分辨率图像中恢复高分辨率细节，对遥感、医学成像及数字娱乐等行业具有深远影响。Urban100数据集由Jia-Bin Huang、Abhishek Singh和Narendra Ahuja等研究人员于2015年创建，作为CVPR会议论文《Single Image Super-Resolution From Transformed Self-Exemplars》的配套数据，其核心研究问题聚焦于城市景观的单图像超分辨率重建。该数据集包含100幅城市场景图像，常被用作评估超分辨率模型性能的标准测试集，推动了自相似性先验等创新方法的发展，显著提升了算法在复杂纹理和结构场景下的复原能力。

当前挑战

Urban100数据集所针对的图像超分辨率任务，面临诸多固有挑战：城市景观中密集的建筑结构、重复的窗户纹理以及多样的光照条件，使得模型在恢复高频细节时易产生模糊或伪影；同时，真实场景中存在的运动模糊、传感器噪声等退化因素，进一步增加了重建的难度。在数据集构建过程中，研究人员需精心筛选具有代表性的城市图像，确保涵盖不同尺度、视角和复杂度的场景，以全面评估模型泛化能力；此外，数据标注与对齐工作需保持高精度，避免引入偏差，这对后续研究的可靠性与可比性构成了考验。

常用场景

经典使用场景

在计算机视觉领域，Urban100数据集作为超分辨率任务的标准测试集，为算法评估提供了关键基准。该数据集包含100张城市景观图像，涵盖了建筑、街道和自然元素等复杂场景，其高分辨率真值图像使得研究者能够精确量化模型在恢复细节纹理和边缘结构方面的性能。通过对比不同算法在Urban100上的峰值信噪比和结构相似性指数，学术界得以系统性地衡量超分辨率技术的进展，推动该领域向更逼真的图像重建迈进。

衍生相关工作

围绕Urban100数据集，学术界涌现了一系列经典研究工作。Huang等人提出的基于变换自范例的超分辨率方法率先利用该数据集验证了自相似性先验的有效性。后续的SRCNN、EDSR等深度学习模型均将其作为核心评估基准，推动了感知损失与对抗生成网络的引入。近期，基于扩散模型的超分辨率方法如SR3，也在Urban100上展示了突破性的细节生成能力。这些工作共同构建了现代超分辨率技术的演进脉络，使该数据集成为领域发展的重要见证者与推动者。

数据集最近研究

最新研究方向

在计算机视觉领域，Urban100数据集作为城市场景超分辨率任务的标准测试集，其前沿研究聚焦于深度学习驱动的图像复原技术。随着生成对抗网络和Transformer架构的兴起，研究者们正探索如何利用该数据集提升模型对复杂纹理与结构细节的重建能力，尤其在低光照与运动模糊等真实场景下的鲁棒性优化成为热点。这些进展不仅推动了视觉感知系统的实用化，也为自动驾驶与智慧城市等应用提供了关键技术支持，彰显了数据集在推动算法创新与跨领域融合中的基石作用。