- Opis :
Zbiór danych DIV2K: obrazy wysokiej jakości DIVerse w rozdzielczości 2K użyte do wyzwań @ NTIRE (CVPR 2017 i CVPR 2018) i @ PIRM (ECCV 2018)
Dodatkowa dokumentacja : Eksploruj w dokumentach z kodem
Strona główna : https://data.vision.ee.ethz.ch/cvl/DIV2K/
Kod źródłowy :
tfds.datasets.div2k.BuilderWersje :
-
2.0.0(domyślnie): Brak informacji o wydaniu.
-
Automatyczne buforowanie ( dokumentacja ): Nie
Struktura funkcji :
FeaturesDict({
'hr': Image(shape=(None, None, 3), dtype=uint8),
'lr': Image(shape=(None, None, 3), dtype=uint8),
})
- Dokumentacja funkcji :
| Funkcja | Klasa | Kształt | Typ D | Opis |
|---|---|---|---|---|
| FunkcjeDykt | ||||
| godz | Obraz | (Brak, Brak, 3) | uint8 | |
| lr | Obraz | (Brak, Brak, 3) | uint8 |
Klucze nadzorowane (zobacz dokument
as_supervised):('lr', 'hr')Rysunek ( tfds.show_examples ): Nieobsługiwany.
Cytat :
@InProceedings{Agustsson_2017_CVPR_Workshops,
author = {Agustsson, Eirikur and Timofte, Radu},
title = {NTIRE 2017 Challenge on Single Image Super-Resolution: Dataset and Study},
booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Workshops},
url = "http://www.vision.ee.ethz.ch/~timofter/publications/Agustsson-CVPRW-2017.pdf",
month = {July},
year = {2017}
}
div2k/bicubic_x2 (konfiguracja domyślna)
Opis konfiguracji : wykorzystuje dane bicubic_x2.
Rozmiar pobierania :
4.68 GiBRozmiar zbioru danych :
4.68 GiBPodziały :
| Podział | Przykłady |
|---|---|
'train' | 800 |
'validation' | 100 |
- Przykłady ( tfds.as_dataframe ):
div2k/bicubic_x3
Opis konfiguracji : Używa danych bicubic_x3.
Rozmiar pobierania :
4.16 GiBRozmiar zbioru danych :
4.16 GiBPodziały :
| Podział | Przykłady |
|---|---|
'train' | 800 |
'validation' | 100 |
- Przykłady ( tfds.as_dataframe ):
div2k/bicubic_x4
Opis konfiguracji : Używa danych bicubic_x4.
Rozmiar pobierania :
3.97 GiBRozmiar zbioru danych :
3.97 GiBPodziały :
| Podział | Przykłady |
|---|---|
'train' | 800 |
'validation' | 100 |
- Przykłady ( tfds.as_dataframe ):
div2k/bicubic_x8
Opis konfiguracji : wykorzystuje dane bicubic_x8.
Rozmiar pobierania :
3.78 GiBRozmiar zbioru danych :
3.78 GiBPodziały :
| Podział | Przykłady |
|---|---|
'train' | 800 |
'validation' | 100 |
- Przykłady ( tfds.as_dataframe ):
div2k/nieznany_x2
Opis konfiguracji : Używa danych nieznanych_x2.
Rozmiar pobierania :
4.48 GiBRozmiar zbioru danych :
4.48 GiBPodziały :
| Podział | Przykłady |
|---|---|
'train' | 800 |
'validation' | 100 |
- Przykłady ( tfds.as_dataframe ):
div2k/nieznany_x3
Opis konfiguracji : Używa danych nieznanych_x3.
Rozmiar pobierania :
4.10 GiBRozmiar zbioru danych :
4.11 GiBPodziały :
| Podział | Przykłady |
|---|---|
'train' | 800 |
'validation' | 100 |
- Przykłady ( tfds.as_dataframe ):
div2k/nieznany_x4
Opis konfiguracji : Używa danych nieznanych_x4.
Rozmiar pobierania :
3.93 GiBRozmiar zbioru danych :
3.93 GiBPodziały :
| Podział | Przykłady |
|---|---|
'train' | 800 |
'validation' | 100 |
- Przykłady ( tfds.as_dataframe ):
div2k/realistyczny_mild_x4
Opis konfiguracji : wykorzystuje dane realistyczne_mild_x4.
Rozmiar pobierania :
4.00 GiBRozmiar zbioru danych :
4.00 GiBPodziały :
| Podział | Przykłady |
|---|---|
'train' | 800 |
'validation' | 100 |
- Przykłady ( tfds.as_dataframe ):
div2k/realistic_difficult_x4
Opis konfiguracji : wykorzystuje dane realistyczne_trudne_x4.
Rozmiar pobierania :
3.98 GiBRozmiar zbioru danych :
3.99 GiBPodziały :
| Podział | Przykłady |
|---|---|
'train' | 800 |
'validation' | 100 |
- Przykłady ( tfds.as_dataframe ):
div2k/realistyczny_wild_x4
Opis konfiguracji : wykorzystuje dane realistyczne_wild_x4.
Rozmiar pobierania :
4.74 GiBRozmiar zbioru danych :
14.62 GiBPodziały :
| Podział | Przykłady |
|---|---|
'train' | 3200 |
'validation' | 100 |
- Przykłady ( tfds.as_dataframe ):