Benchmark_EPS

该数据集包含500张训练和测试图像，涵盖多种代表性的视觉对象类别，用于评估边缘保持图像平滑算法。

This dataset comprises 500 training and test images spanning multiple representative visual object categories, and is tailored for evaluating edge-preserving image smoothing algorithms.

原始信息汇总

边缘保持图像平滑基准数据集

数据集概述

数据集内容

• 图像数量： 包含500张自然图像，编号为0001-0500.png，其中0001-0400.png用于训练，0401-0500.png用于测试。
• 图像分类： 图像涵盖多种代表性的视觉对象类别。
• 图像位置： 原始图像位于dataset/origin_images目录下。

标注信息

• 标注图像数量： 每张原始图像对应14张人工选择的平滑结果，保留其中5张最优结果作为“地面实况”图像。
• 标注图像位置： 地面实况图像位于dataset/gt_images目录下，每张图像的权重保存在dataset/weight_matrix.mat文件中。
• 标注图像命名： 例如，0001.png的地面实况图像命名为0001_1.png至0001_5.png。

性能评估

• 评估指标： 提出两种量化指标，加权平均绝对误差（WMAE）和加权均方根误差（WRMSE）。
• 评估脚本： 使用dataset/compute_WMAE_WRMSE.py脚本评估算法性能。

基线方法

• VDCNN： 基于非常深的卷积神经网络。
• ResNet： 基于残差块的网络。

使用说明

• VDCNN： 提供预训练模型model-140002，测试结果保存在result_VDCNN目录下。
• ResNet： 提供预训练模型model-345002，测试结果保存在result_ResNet目录下。

先前方法

• 包含方法： SD滤波器、L0平滑、快速全局平滑（FGS）、树滤波、加权中值滤波（WMF）、L1平滑、局部拉普拉斯滤波（LLF）。
• 代码语言： 所有方法的代码均为Matlab编写。

性能评估

• 示例： 以SD滤波器为例，评估其性能可通过运行dataset/compute_WMAE_WRMSE.py脚本，指定结果路径为../Previous_Methods/method_1_sdf/parameters_2。

应用

• 色调映射： 使用训练好的ResNet模型作为边缘保持平滑滤波器。
• 对比度增强： 同上。

引用

@article{zhu2019benchmark, title={A Benchmark for Edge-Preserving Image Smoothing}, author={Zhu, Feida and Liang, Zhetong and Jia, Xixi and Zhang, Lei and Yu, Yizhou}, journal={IEEE Transactions on Image Processing}, volume={28}, number={7}, pages={3556--3570}, year={2019}, publisher={IEEE} }

搜集汇总

背景与挑战

背景概述

Benchmark_EPS是一个专注于边缘保留图像平滑的基准数据集，包含500张自然图像及其人工标注的平滑结果，提供定量评估指标和多种基线方法（包括深度学习和传统算法）。该数据集旨在为图像平滑算法的研究和评估提供标准化的测试平台。