本文描述了 Holopix50k 这一在野外采集的新型立体图像数据集，用于训练改进移动摄影场景下的立体超分辨率和无监督单目深度估计算法，并展示了该数据集的实际应用以激励新的作品和用例。

Mar, 2020

我们提出了一个新颖的高分辨率、充满挑战性的立体数据集，并给出了密集准确的视差地面真值标注。该数据集独特之处在于存在一些具有镜面反射和透明性质的表面，这是当前立体网络失败的主要原因。我们的获取方法采用了一个新颖的深度时空立体框架，可以实现子像素精度的简单准确标注。我们释放了总共 419 个样品，收集自 64 个不同的场景并标注了密集的地面真值视差。每个样本包括一个高分辨率成对图像 (12 Mpx)，以及一个不对称的成对图像 (左边：12 Mpx，右边：1.1 Mpx)。此外，我们提供了手动注释的材质分割掩模和 15K 未标记样本。我们根据我们的数据集评估了最先进的深度网络，强调了它们在解决立体视觉中的开放挑战方面的局限性，并为未来的研究提供了一些线索。

Jun, 2022

提出了一个名为 Real-RawVSR 的实际原始视频超分辨率 (Raw Video Super-Resolution) 数据集，包含了 450 个不同场景下的低分辨率和高分辨率视频对，并利用两个 DSLR 相机和一个分束器进行采集，同时提出了一种基于两种 RGGB 和原始 Bayer 模式交替使用的两支分支网络，以生成对应的高分辨率 sRGB 图像。实验结果表明，该方法在处理是原始和 sRGB 输入的真实和合成视频上优于基准方法。

Sep, 2022

本文提出了一种新的数据采集技术，通过 beam-splitter 捕获相同场景的低分辨率和高分辨率图像进行训练预处理，提出包含 11,421 对低分辨率高分辨率图像的数据集，展示了该数据集如何显著提高超分辨率技术在现实世界图像上的质量。

Apr, 2020

研究了基于摄像头镜头的 CameraSR 方法，旨在改善实际成像系统中分辨率（R）和视野范围（V）之间的固有平衡问题，并提出了两种新的数据采集策略， City100 数据集表明， CameraSR 具有提高单图超分辨率性能的实际解决方案，并且可以快速推广到不同的内容和设备上作为实现数字变焦的高级工具。

Apr, 2019

SuperBench 是第一个带有高分辨率数据集的基准数据集，包括流体流动、宇宙学和天气数据，旨在验证空间分辨率性能并评估数据退化任务鲁棒性的方法。深度学习为基础的 SR 方法在某些任务上表现出色，但在捕捉微妙的细节和保留科学数据的基本物理属性和约束方面存在局限性，这凸显了将领域知识纳入 ML 模型的重要性和细微差别。

Jun, 2023

该研究通过开发 StereoSRQA 模型，提出了第一种感知定向的立体图像超分辨率方法，并采用 StereoSRQA 数据库为 StereoSR 模型提供准确的指导，从而提高了立体图像的感知质量和位移估计的可靠性。

Jul, 2022

该论文提出一种新的大规模基准数据集 SPair-71k 用于在计算机视觉领域解决语义对应问题，其中包含大量变化视角和尺度的图像，从而为解决语义对应问题提供了可靠的测试基础和促进此领域的进一步发展。

Aug, 2019

本文提出了一种基于 Laplacian 金字塔的核预测网络（LP-KPN）来恢复高分辨率图像，通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集，证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果，且模型能够适应不同的相机设备。

Apr, 2019

本文提出了一种新的深度图像超分辨率方法，利用移动手机和 Lucid Helios 采集的配对 LR 和 HR 深度图构建了一个名为 RGB-D-D 的大规模数据集，并提供了一个快速深度图超分辨率（FDSR）基准线，与现有公共数据集上的基准方法相比，我们的网络在效果和效率上都有很大的提升，并且可以处理真实世界中的 LR 深度图以产生更准确，清晰的边界，并在一定程度上修正深度值错误。

Apr, 2021