DIV2K数据集介绍与下载

下载链接：夸克网盘

一、什么是DIV2K？

DIV2K全称 DIVerse 2K resolution high quality images，是由苏黎世联邦理工学院（ETH Zürich）的研究者Eirikur Agustsson和Radu Timofte构建的高质量图像数据集，首次发布于2017年CVPR NTIRE Workshop。该数据集以其高分辨率、内容多样性和标准化划分，迅速成为图像超分辨率领域的基准数据集。

DIV2K的设计初衷是为NTIRE 2017和NTIRE 2018单图像超分辨率挑战赛提供统一的训练与评测数据。此后，它也被PIRM 2018感知图像增强挑战赛采用。经过近十年的发展，DIV2K已成为超分辨率研究中引用最广泛的数据集之一。

二、数据集构成与特点

基本规格

DIV2K共包含 1000张2K分辨率的高质量RGB图像，图像分辨率普遍在2048×1080像素及以上。数据集划分为三个互不重叠的子集：

子集	数量	用途
训练集	800张	模型训练
验证集	100张	训练过程中评估模型性能
测试集	100张	最终评估泛化能力

核心特点

高分辨率与高保真性。DIV2K图像的像素级细节丰富，适合评估超分辨率算法对纹理、边缘和细微结构的恢复能力。

内容多样性。图像涵盖自然风光、城市景观、建筑物、人物等多种场景，确保算法在不同内容类型上的表现都能得到检验。

多尺度降质版本。对于每个子集，数据集同时提供了高分辨率（HR）图像和对应的低分辨率（LR）图像。低分辨率图像通过双三次插值（bicubic）下采样生成，包含 ×2、×3、×4 三种缩放因子。

双降质轨道设计。NTIRE挑战赛中设置了“bicubic”和“unknown”两种降质轨道。bicubic轨道使用标准双三次下采样，unknown轨道则采用未知降质方式，增加了任务难度。

三、数据组织方式

DIV2K的文件命名和目录结构设计清晰，便于程序化加载。以下为典型结构：

DIV2K/
├── DIV2K_train_HR/          # 训练集高分辨率
│   ├── 0001.png
│   ├── ...
│   └── 0800.png
├── DIV2K_train_LR_bicubic/  # 训练集低分辨率（双三次）
│   ├── X2/                  # ×2下采样
│   ├── X3/                  # ×3下采样
│   └── X4/                  # ×4下采样
├── DIV2K_valid_HR/          # 验证集高分辨率
└── DIV2K_valid_LR_bicubic/  # 验证集低分辨率

高分辨率图像以 0001.png 至 1000.png 命名，低分辨率图像在对应文件夹中以 0001x2.png、0001x3.png、0001x4.png 等命名。

四、如何获取与使用

下载方式

官方渠道。DIV2K的原始发布地址为ETH Zürich的计算机视觉实验室服务器。各子集以ZIP压缩包形式提供独立下载，训练集HR压缩包约数GB量级。

TensorFlow Datasets集成。DIV2K已收录于TensorFlow Datasets（TFDS）目录中，提供 bicubic_x2、bicubic_x3、bicubic_x4、bicubic_x8 以及 unknown、realistic 等多个配置版本，下载大小从3.78 GiB到14.62 GiB不等，可直接通过 tfds.load('div2k') 调用。

使用注意事项

DIV2K仅限学术研究用途。在发表论文时，应引用Agustsson和Timofte的原始数据集论文：

@InProceedings{Agustsson_2017_CVPR_Workshops,
    author = {Agustsson, Eirikur and Timofte, Radu},
    title = {NTIRE 2017 Challenge on Single Image Super-Resolution: Dataset and Study},
    booktitle = {CVPR Workshops},
    month = {July},
    year = {2017}
}

在超分辨率任务中，标准评估流程通常将图像从RGB转换到YCbCr色彩空间，仅在Y通道上计算PSNR和SSIM指标，这一做法已成为领域惯例。