Real-world Blur-kept Super-Resolution (ReBlurSR) dataset

ReBlurSR数据集由清华大学软件学院和快手科技联合创建，专注于模糊图像的超分辨率处理。该数据集包含2,931张高质量图像，涵盖多种模糊类型和强度，主要来源于现有的超分辨率数据集和网络图像。数据集的创建过程包括精细的标签和分类，以及使用扩散模型合成的模糊图像。ReBlurSR数据集主要应用于图像处理领域，特别是解决模糊图像的超分辨率问题，旨在提高图像质量并保持模糊区域的视觉感知。

The ReBlurSR dataset was co-created by the School of Software, Tsinghua University and Kuaishou Technology, focusing on super-resolution processing of blurred images. This dataset contains 2,931 high-quality images, covering a variety of blur types and intensities, and is mainly sourced from existing super-resolution datasets and web images. The dataset creation process includes rigorous labeling and classification, as well as blurred images synthesized using diffusion models. The ReBlurSR dataset is mainly applied in the field of image processing, specifically to address the super-resolution problem of blurred images, aiming to improve image quality while preserving the visual perception of blurred regions.

原始信息汇总

PBaSR 数据集概述

数据集准备

• 数据集名称: ReBlurSR
• 下载链接: Google Drive
• 生成训练和验证数据集的说明: Instructions

预训练模型

• 预训练模型权重下载链接: Google Drive
• 存放路径: experiments/pretrained_models

测试数据

• 合成测试LR图像下载链接: Google Drive
• 配置文件修改: 修改 options/test*.yml 中的权重路径和验证数据集路径

推理命令

• PBaSR-ESRGAN模型: bash python basicsr/test.py -opt options/test_PBaSR_ESRGAN.yml

• PBaSR-FeMaSR模型: bash python basicsr/test.py -opt options/test_PBaSR_FeMaSR.yml

• PBaSR-SRFormer模型: bash python basicsr/test.py -opt options/test_PBaSR_SRFormer.yml

评估命令

• 评估结果: bash python basicsr/test_result.py --gt_dir # 真实HR数据路径 --lq_dir # SR结果路径 --mask_dir # HR模糊掩码路径（可选） -opt options/test_all_metric.yml

提取最终权重

• 提取命令: bash python basicsr/extract_final_params.py -opt # 模型配置和路径配置 -o # 输出路径

• 示例: bash python basicsr/extract_final_params.py -opt options/test_PBaSR_FeMaSR.yml -o FeMaSR_final.pth

搜集汇总

数据集介绍

构建方式

ReBlurSR数据集的构建方式采用了多元化的数据收集策略，包括从现有超分辨率数据集（如DIV2K、Flickr2K等）、模糊相关数据集（如CUHK、EBD等）以及网络资源中选取高质量图像。数据集分为训练集和测试集，其中训练集包含2,931张具有不同模糊区域的高质量图像，测试集包含120张真实模糊图像。数据收集过程中，研究人员还使用了扩散模型合成了一些模糊图像，以增强数据集的多样性和现实性。此外，数据集还对模糊图像进行了细致的标签和分类，包括模糊类型、大小和强度等特征。

特点

ReBlurSR数据集的主要特点在于其专注于模糊图像的超分辨率重建。数据集包含了近3,000张具有不同模糊大小和变化模糊强度的散焦和运动模糊图像样本，这使得数据集在模糊图像的超分辨率重建任务中具有重要的研究价值。此外，ReBlurSR数据集还提供了详细的模糊区域图，这有助于研究人员更准确地评估和优化超分辨率模型的性能。最后，ReBlurSR数据集的规模庞大，是目前常用超分辨率基准数据集DIV2K的三倍，这为超分辨率模型的训练和评估提供了更丰富的数据资源。

使用方法

ReBlurSR数据集的使用方法主要包括数据预处理、模型训练和性能评估。在数据预处理阶段，研究人员需要对数据进行清洗、标注和分类，以确保数据的质量和多样性。在模型训练阶段，研究人员可以使用ReBlurSR数据集来训练和优化超分辨率模型，以提高模型在模糊图像上的重建性能。在性能评估阶段，研究人员可以使用ReBlurSR数据集的测试集来评估超分辨率模型的性能，并与其他模型进行比较。此外，ReBlurSR数据集还可以用于超分辨率模型的可视化分析和解释，以帮助研究人员更好地理解模型的内部机制和工作原理。

背景与挑战

背景概述

在图像超分辨率领域，现有的盲图像超分辨率（BSR）方法在处理常规图像方面表现出色，但在处理具有模糊效果的图像数据时，其有效性明显下降。模糊图像数据在通用数据中占据了相当大的比例。为了进一步研究并解决这一问题，清华大学软件学院和快手科技的科研人员共同开发了一个名为Real-world Blur-kept Super-Resolution (ReBlurSR)的数据集，该数据集包含近3000个具有不同模糊大小和强度的散焦和运动模糊图像样本。此外，他们还提出了一种名为Perceptual-Bluradaptive Super-Resolution (PBaSR)的新型BSR框架，该框架包括两个主要模块：交叉解耦模块（CDM）和交叉融合模块（CFM）。CDM利用双分支并行性在优化过程中隔离冲突的模糊和常规数据。CFM基于模型插值以经济高效的方式融合来自这些不同领域的优化良好的先验信息。通过整合这两个模块，PBaSR在通用和模糊数据上实现了令人瞩目的性能，而无需任何额外的推理和部署成本，并且可在多个模型架构上泛化。丰富的实验表明，PBaSR在各种指标上实现了最先进的性能，而无需承担额外的推理成本。在广泛采用的LPIPS指标中，PBaSR在使用各种锚定方法和模糊类型的情况下，在ReBlurSR和多个常见的通用BSR基准测试中实现了约0.02-0.10的改进范围。

当前挑战

ReBlurSR数据集和相关的研究框架PBaSR旨在解决图像超分辨率领域中的几个关键挑战。首先，现有的BSR方法在处理具有模糊效果的图像数据时表现不佳，尤其是在保留图像中故意设置的模糊区域方面。其次，构建一个专门针对模糊图像的超分辨率数据集是一项挑战，需要考虑模糊类型、大小和强度的多样性。最后，设计一个既能够处理模糊图像，又不会影响通用图像处理质量的BSR框架，并且易于与现有的最先进模型集成，同时保持最小的推理成本，也是一项挑战。PBaSR框架通过引入CDM和CFM模块，成功地解决了这些挑战，实现了在模糊图像上的高性能超分辨率重建，同时保持了在通用图像上的优秀表现。

常用场景

经典使用场景

在图像超分辨率领域，模糊图像的超分辨率重建一直是一个挑战。ReBlurSR数据集提供了近3000个具有不同模糊大小和强度变化的失焦和运动模糊图像样本，为研究图像模糊的超分辨率重建提供了宝贵的资源。该数据集的经典使用场景包括：1）评估和比较不同的模糊图像超分辨率算法的性能；2）训练和测试模糊图像超分辨率算法，以提高算法在处理模糊图像时的准确性和鲁棒性；3）研究模糊图像的视觉感知特性，以改进图像模糊超分辨率算法的设计。

实际应用

ReBlurSR数据集在实际应用中具有广泛的应用前景。例如，在摄影领域，该数据集可以用于评估和改进模糊图像的修复和增强算法。在视频处理领域，ReBlurSR数据集可以用于研究模糊视频的超分辨率重建，以提高视频的清晰度和质量。此外，ReBlurSR数据集还可以用于研究图像模糊的超分辨率重建在医疗图像分析、遥感图像处理等领域的应用。

衍生相关工作

ReBlurSR数据集衍生了许多相关的经典工作。例如，基于ReBlurSR数据集，研究人员提出了PBaSR框架，该框架能够有效地处理模糊和清晰图像，并在多个指标上取得了优异的性能。此外，ReBlurSR数据集还促进了模糊图像超分辨率重建领域的研究，推动了相关算法和技术的进一步发展。