INR-benchmark

该仓库提供了合成信号和真实世界信号的统一基准，包括2D/3D的随机圆圈或球体、低通滤波噪声、分形结构、径向楔形等合成信号，以及DIV2K高分辨率图像、斯坦福龙3D模型和人体胸部CT切片等真实世界信号。

This repository provides a unified benchmark for synthetic and real-world signals, including synthetic signals such as 2D/3D random circles or spheres, low-pass filtered noise, fractal structures, and radial wedges, as well as real-world signals such as DIV2K high-resolution images, the Stanford Dragon 3D model, and chest CT slices of human bodies.

原始信息汇总

INR-benchmark 数据集概述

数据集基本信息

• 名称: INR-benchmark
• 用途: 隐式神经表示、网格和混合表示在合成和真实信号上的统一基准
• 关联论文: “Grids Often Outperform Implicit Neural Representations. (preprint)”

数据集内容

合成信号

• 位置: target_signals/
• 信号类型:
  • Spheres: SparseSphereSignal (2D/3D) - 随机圆形或球体，具有不同尺度
  • Bandlimited: BandlimitedSignal (2D/3D) - 低通滤波噪声，具有不同频率
  • Sierpinski Triangle: Sierpinski (2D) - 三角形分形结构
  • Star Target: StarTarget (2D) - 具有增加带宽的径向楔形

真实世界信号

• DIV2K: RealImage - 10张高分辨率图像，用于图像拟合、4倍超分辨率和去噪
• 3D Dragon: Voxel_Fitting - 斯坦福龙模型，可选择加载表面版本或占用体积
• CT Scan: 2D人体胸部CT切片，用于稀疏性下的重建

数据集结构

. ├── band_limit_figs/ # 重建与信号带宽的可视化 ├── gsplat/ # 高斯泼溅实现 ├── models/ # INR、混合和网格模型实现 ├── target_signals/ # 信号生成代码和数据集 │ ├── bandlimited_signal.py # 信号类: BandlimitedSignal │ ├── eval_DIV2K.py # DIV2K评估 │ ├── evaluate_voxel.py # 3D体素数据评估 │ ├── gen_heatmap_eval_metric_synthetic.py # 指标可视化 │ └── utils.py ├── *.sh # 训练每个模型的Shell脚本 ├── run_ct.py # CT重建脚本 ├── run.py # 合成信号的通用运行器 └── hyperparameters.json # 训练设置的中央配置文件

评估指标

• PSNR (峰值信噪比)
• SSIM (结构相似性指数，仅2D)
• LPIPS (学习感知图像块相似性，仅2D)
• IoU (交并比，用于3D体积)

训练方法

• 合成信号: 运行 run_2dsierpinski.sh 或 run_3dbandlimited.sh
• DIV2K图像训练: 运行 run_DIV2K.sh
• 斯坦福龙: 运行 run_dragon.sh
• CT重建: 运行 python run_ct.py

注意事项

• 所有实验均可通过提供的脚本重现
• 模型在Star Target数据集上进行了调优 (target_signals/star_resolution_target_40_1000.npy)

搜集汇总

数据集介绍

构建方式

在计算机视觉与图形学领域，INR-benchmark数据集通过系统化的信号生成与采集流程构建而成。该数据集囊括了二维/三维合成信号（如分形结构、带限噪声）和真实世界数据（DIV2K图像、斯坦福龙模型、CT扫描），采用标准化处理确保所有信号样本量级一致（约100万数据点）。合成信号通过参数化算法生成，真实数据则经过分辨率归一化和质量筛选，形成多维度、多模态的基准测试体系。

特点

该数据集最显著的特点是实现了隐式神经表示、网格表示与混合表示的统一评估框架。其合成信号模块提供可调节的带宽控制与几何复杂度，便于研究表示方法对信号特征的适应性；真实数据部分则覆盖了图像超分辨率、三维重建和医学影像等典型场景。所有样本均配备PSNR、SSIM、LPIPS和IoU等多维度评估指标，支持从数值精度到感知质量的全面性能分析。

使用方法

使用者可通过提供的Shell脚本快速启动不同场景的训练流程，如`run_2dsierpinski.sh`用于分形结构重建，`run_DIV2K.sh`处理图像超分辨率任务。数据集采用模块化设计，用户可通过修改`hyperparameters.json`配置文件调整模型参数，或使用`target_signals/`中的工具生成自定义信号。评估阶段调用标准化脚本即可自动生成质量热力图与指标对比报告，确保实验可复现性。

背景与挑战

背景概述

INR-benchmark数据集由研究人员在2023年提出，旨在为隐式神经表示（INR）、网格表示及混合表示方法提供统一的性能评估基准。该数据集由NVIDIA等机构的研究团队开发，核心研究问题聚焦于不同表示方法在合成信号与真实信号重建任务中的性能对比。通过涵盖2D/3D合成信号（如带限噪声、谢尔宾斯基三角）及真实世界数据（如DIV2K图像、斯坦福龙模型），该数据集填补了跨模态表示方法系统性比较的空白，对计算机视觉与图形学领域的模型优化具有重要指导意义。

当前挑战

该数据集需解决两大挑战：其一，在领域问题层面，隐式神经表示虽具有参数高效性，但其在复杂信号高频细节重建中常逊于传统网格方法，如何量化权衡表示方法的精度、计算效率与泛化能力成为关键难题；其二，在构建过程中，需协调异构数据（如2D图像与3D体素）的评估标准统一性，同时确保tiny-cuda-nn、高斯泼溅等依赖库在跨平台环境中的稳定编译与运行，这对硬件适配与软件架构设计提出较高要求。

常用场景

经典使用场景

在计算机视觉与图形学领域，INR-benchmark数据集为研究者提供了一个统一的评估平台，用于比较隐式神经表示、网格表示以及混合表示在合成信号和真实信号上的性能表现。该数据集广泛应用于信号重建、图像超分辨率、去噪以及三维体素数据拟合等任务，特别是在需要高精度重建的场景中，如医学影像处理和三维模型生成。

实际应用

在实际应用中，INR-benchmark数据集被用于医学影像重建，如CT扫描数据的稀疏重建，以及三维模型的表面拟合与体素生成。此外，该数据集在图像超分辨率任务中表现突出，能够为高分辨率图像生成提供技术支撑。其多样化的信号类型和真实数据集使其成为工业界和学术界的重要参考。

衍生相关工作

基于INR-benchmark数据集，衍生了一系列经典工作，如针对隐式神经表示的优化算法研究、混合表示方法的性能提升，以及高斯泼溅（Gaussian Splatting）技术在三维重建中的应用。这些工作进一步拓展了数据集的使用范围，并在计算机图形学和视觉领域产生了广泛影响。