UAV-TSR

UAV-TSR数据集由同济大学的研究团队构建，覆盖了陆地和水域场景，旨在为热成像超分辨率任务提供一个新的基准。该数据集通过收集不同高度和视场下的热成像，能够帮助模型适应不同的尺度变化，进而提高热成像超分辨率技术的性能。

The UAV-TSR dataset was constructed by the research team from Tongji University, covering both terrestrial and aquatic scenarios, and aims to provide a novel benchmark for thermal imaging super-resolution tasks. This dataset collects thermal images under different altitudes and fields of view, which can help models adapt to diverse scale variations, thereby improving the performance of thermal imaging super-resolution technologies.

搜集汇总

数据集介绍

构建方式

UAV-TSR数据集专为无人机热成像超分辨率任务设计，包含1100张高分辨率（640×512像素）热成像图像，涵盖陆地场景。数据集分为800张训练图像和300张测试图像，并额外收集200张水面场景图像作为测试集，以评估模型的泛化能力。数据采集过程中，通过无人机搭载热成像传感器在不同环境条件下捕获图像，确保了数据多样性和实际应用场景的覆盖。

特点

UAV-TSR数据集的特点在于其专注于无人机热成像超分辨率任务，覆盖了多种复杂环境（如陆地和水面场景），提供了丰富的细节和边界信息。数据集中图像的分辨率高，能够有效支持模型学习精细的纹理和结构特征。此外，数据集还包含不同尺度的超分辨率任务，为模型提供了灵活的测试环境，使其能够适应实际应用中多变的无人机飞行高度和视角。

使用方法

使用UAV-TSR数据集时，研究人员可以通过加载训练集和测试集图像进行模型训练和评估。数据集支持任意尺度的超分辨率任务，用户可以根据需求选择不同的缩放因子（如×1.45至×6）进行实验。在训练阶段，建议采用随机裁剪和尺度采样策略，以增强模型的鲁棒性。测试阶段则可通过固定输入分辨率或动态调整缩放因子来验证模型性能。数据集的标注信息包括原始高分辨率图像及其对应的低分辨率版本，便于直接用于超分辨率算法的开发和优化。

背景与挑战

背景概述

UAV-TSR数据集由同济大学机械工程学院的研究团队于2025年提出，旨在解决无人机热成像中的任意尺度超分辨率重建问题。该数据集包含1100张640×512像素的高分辨率热成像图像，涵盖陆地和水域场景，其中800张用于训练，300张用于测试。热成像在无人机应用中具有重要作用，尤其在低光或遮挡环境下，但热传感器的固有低分辨率导致图像细节不足和边界模糊。UAV-TSR数据集的构建为热成像超分辨率任务提供了首个面向无人机应用的基准，推动了热成像超分辨率技术的发展。

当前挑战

UAV-TSR数据集面临的挑战主要包括两方面：领域问题的挑战和构建过程的挑战。在领域问题方面，热成像超分辨率需要解决低分辨率传感器导致的细节丢失和边界模糊问题，同时需支持任意尺度的超分辨率重建，以适应无人机在不同高度和视角下的动态需求。现有方法多为固定尺度超分辨率，无法灵活适应多尺度需求。在构建过程中，数据集的采集需覆盖多样化的场景（如陆地和水域），并确保图像质量的一致性。此外，任意尺度超分辨率模型的训练需解决批量训练中输入输出分辨率固定的问题，以及如何有效利用有限的高分辨率图像生成多样化的训练样本。

常用场景

经典使用场景

UAV-TSR数据集专为无人机热成像超分辨率任务设计，其经典使用场景包括在复杂环境中对低分辨率热成像图像进行任意尺度的超分辨率重建。该数据集通过覆盖陆地和海洋场景，为算法提供了多样化的测试环境，使其能够在不同地形和气候条件下验证模型的鲁棒性和泛化能力。

解决学术问题

UAV-TSR数据集解决了热成像传感器固有分辨率不足导致的细节丢失和边界模糊问题。通过提供高分辨率热成像图像及其对应的低分辨率版本，该数据集支持开发任意尺度超分辨率算法，避免了传统固定尺度方法的计算冗余和灵活性不足。其意义在于推动了热成像超分辨率技术的进步，为无人机在低光或遮挡环境下的应用提供了更高质量的图像分析基础。

衍生相关工作

UAV-TSR数据集衍生了多项经典工作，包括基于尺度感知状态空间模块的AnyTSR算法，以及结合局部特征集成和坐标偏移 refinement 的创新上采样器。这些工作显著提升了任意尺度超分辨率任务的性能，并在MetaSR、LIIF和SRNO等现有方法基础上实现了更高的PSNR和视觉质量。