Iceclear/StableSR-TestSets

StableSR TestSets数据集由Jianyi Wang开发，包含合成和真实世界的测试集，用于图像超分辨率任务。该数据集的主要用途是复现论文中展示的度量结果。数据集包含多个测试集，如DIV2K_Val、RealSR Val、DRealSR Val和DPED Val，分别用于验证不同的图像超分辨率模型。数据集的许可证为S-Lab License 1.0。The StableSR TestSets dataset was developed by Jianyi Wang. It comprises both synthetic and real-world test sets for image super-resolution tasks. The primary purpose of this dataset is to reproduce the metric results presented in the corresponding paper. The dataset includes multiple test subsets such as DIV2K_Val, RealSR Val, DRealSR Val and DPED Val, which are respectively used to validate different image super-resolution models. The dataset is licensed under S-Lab License 1.0.

原始信息汇总

StableSR 测试集卡片

数据详情

• 开发者： Jianyi Wang

• 数据类型： 合成和真实世界的图像超分辨率测试集

• 许可证： S-Lab License 1.0

• 数据描述： 这些测试集用于重现论文中展示的指标结果。

• 更多信息资源： GitHub 仓库

• 引用方式：

  @InProceedings{wang2023exploiting,
      author    = {Wang, Jianyi and Yue, Zongsheng and Zhou, Shangchen and Chan, Kelvin CK and Loy, Chen Change},
      title     = {Exploiting Diffusion Prior for Real-World Image Super-Resolution},
      booktitle = {arXiv preprint arXiv:2305.07015},
      year      = {2023},
  }
  

使用

请参考S-Lab License 1.0

目前提供的测试集包括：

• DIV2K_Val： 3000 对合成数据，用于DIV2K验证集，使用与训练 StableSR 相同的退化方法生成。
• RealSR Val： 中心裁剪的数据对，来自RealSRv3。
• DRealSR Val： 中心裁剪的数据对，来自DRealSR。
• DPED Val： 中心裁剪的低质量仅数据，来自DPED。

评估结果

详细评估结果请参见论文。

搜集汇总

数据集介绍

构建方式

Iceclear/StableSR-TestSets 数据集专为图像超分辨率任务设计，其构建过程融合了合成与真实场景数据。合成测试集基于 DIV2K 验证集，采用与 StableSR 训练一致的退化模型生成 3000 对合成数据对。真实世界测试集则涵盖 RealSRv3、DRealSR 和 DPED 数据集，通过对原始图像进行中心裁剪获取低分辨率与高分辨率图像对，其中 DPED 仅提供低分辨率图像。这些数据集的构建旨在系统评估超分辨率模型在多样退化条件下的性能表现。

特点

该数据集的核心特点在于其多元化的测试场景组合，包括合成退化数据与真实世界数据。DIV2K_Val 提供了可控的合成退化样本，便于定量分析模型在已知退化模式下的恢复能力。RealSR Val 和 DRealSR Val 则聚焦于真实拍摄环境中的复杂退化，如模糊、噪声与压缩伪影。DPED Val 专门用于测试模型对仅有低分辨率输入的适应能力，强化了数据集的实用性与挑战性。这种结构使得数据集能够全面覆盖从实验室到实际应用的多层次需求。

使用方法

使用该数据集时，用户可直接从 Hugging Face 仓库加载各子集，如 DIV2K_Val、RealSR Val 等，用于评估图像超分辨率模型的性能。建议结合 StableSR 官方代码库中的评估脚本，以复现论文中的指标结果。对于合成数据，可直接计算 PSNR 和 SSIM；对于真实数据，则需采用无参考图像质量评估方法。数据集遵循 S-Lab License 1.0 许可协议，用户需在引用时标注相关论文，以确保学术规范的遵守。

背景与挑战

背景概述

在图像超分辨率领域，如何从低分辨率输入中恢复高保真度的细节始终是核心难题。传统方法多依赖固定退化模型，难以应对真实世界中复杂多变的降质过程。2023年，由南洋理工大学Jianyi Wang等人提出的StableSR模型，开创性地将扩散先验引入真实图像超分辨率任务，显著提升了生成质量与感知效果。为系统评估该方法的性能，研究团队构建了StableSR-TestSets数据集，包含DIV2K、RealSR、DRealSR和DPED等子集，覆盖合成与真实场景，旨在为真实图像超分辨率提供标准化评测基准。该数据集与StableSR论文紧密关联，已成为验证扩散先验在超分辨率任务中有效性的重要资源，推动了领域内从模拟退化向真实降质适配的研究转向。

当前挑战

当前数据集面临的核心挑战集中于两方面。在领域问题层面，真实图像超分辨率需应对未知且非均匀的退化模式，如模糊、噪声与压缩伪影的混合，而现有测试集虽涵盖多种场景，仍难以穷尽真实世界的退化多样性，限制了模型泛化能力的全面评估。在数据集构建过程中，挑战包括合成退化参数与真实退化分布之间的偏差，以及高分辨率参考图像的获取难度，如DPED子集仅提供低分辨率数据，导致全参考指标无法直接应用。此外，不同子集间的图像风格、分辨率与退化程度差异，使得跨数据集性能对比缺乏统一标准，进一步增加了评测的复杂性。

常用场景

经典使用场景

Iceclear/StableSR-TestSets作为图像超分辨率领域的基准测试集，其核心应用场景在于评估基于扩散先验的生成式超分模型性能。该数据集整合了DIV2K验证集的3000个合成退化图像对，以及RealSR、DRealSR和DPED等真实世界低分辨率样本，为研究者提供了从受控实验室环境到复杂真实场景的多层次评估体系。通过标准化测试流程，该数据集能够系统性地衡量模型在感知质量与保真度之间的平衡能力，尤其适用于验证StableSR等扩散模型在极端退化条件下的鲁棒性。

衍生相关工作

该数据集作为StableSR论文的配套资源，催生了若干后续研究方向。ResShift等扩散蒸馏方法借鉴了其退化建模策略，通过迭代移位加速采样；DiffBIR则在其测试协议基础上引入盲估计模块，实现了未知退化类型的自适应处理。此外，基于该数据集提出的感知-保真度联合优化框架，启发了CLIP-SR等跨模态监督方法，将语言先验融入超分过程。这些工作共同构建了从扩散先验利用到退化空间解耦的技术演进脉络，巩固了StableSR-TestSets作为生成式超分领域基准测试平台的学术地位。

数据集最近研究

最新研究方向

基于扩散先验的真实世界图像超分辨率前沿探索中，StableSR-TestSets数据集为评估生成式模型在复杂退化场景下的性能提供了关键基准。当前研究聚焦于如何利用稳定扩散模型强大的图像生成能力，突破传统超分辨率方法在真实噪声、模糊与压缩伪影等非理想条件下的局限性。该数据集涵盖DIV2K合成退化对与RealSR、DRealSR、DPED等真实世界测试集，精准刻画了从实验室到工业应用的鸿沟，推动了基于先验知识驱动的超分技术向高保真度与鲁棒性并重演进。其与2023年StableSR论文的紧密关联，标志着扩散模型在低级视觉任务中从理论验证走向标准化评测的重要里程碑。