DPED（单反照片增强数据集）介绍与下载
一、什么是DPED数据集
DPED全称为DSLR Photo Enhancement Dataset（单反照片增强数据集），由Ignatov等人在2017年ICCV论文《DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks》中提出。该数据集的核心目标是推动手机照片画质增强研究——即让普通智能手机拍摄的照片，通过深度学习模型处理，达到接近数码单反相机的成像质量。
需要特别注意，DPED在学术语境下存在另一个同名缩写：零售行业领袖协会（RILA）开发的“Direct-Use Product Emissions Database”同样简称DPED。本文所介绍的是计算机视觉领域广泛使用的图像增强数据集，这也是GitHub及相关论文中最为常见的指代。
二、数据采集与构成
DPED的采集方式颇具特点：研究人员将一台佳能数码单反相机与三部手机（Sony、iPhone、BlackBerry）固定在三脚架上，通过无线控制同步触发拍摄，确保四台设备在同一时刻、同一场景下捕捉画面。拍摄历时三周，覆盖白天不同地点、光照与天气条件，所有设备均使用自动模式与默认设置。
最终数据集包含的原始照片数量为：Sony手机4,549张、iPhone 5,727张、BlackBerry手机6,015张，单反相机同步拍摄对应场景照片。由于四台相机视角与位置存在差异，原始图像并非像素级对齐。研究者使用SIFT关键点匹配结合RANSAC算法进行单应性变换，将手机图像与单反图像对齐。
为便于卷积神经网络训练，原始高分辨率图像被裁剪为100×100的图像块。最终发布的训练与测试数据规模为：BlackBerry-Canon配对约139K训练块、iPhone-Canon约160K训练块、Sony-Canon约162K训练块，测试块各约2.4K至4.3K。
三、数据集的结构与用途
下载解压后的DPED数据集通常包含三个子文件夹：sony/、iphone/、blackberry/，分别对应三部手机与单反的配对图像块。在图像增强研究中，手机图像作为低质量输入，对应的单反图像作为高质量目标（ground truth），用于训练端到端的映射模型。
DPED的一个重要特点是真实场景下的非严格对齐。尽管经过算法匹配，图像对之间仍存在可见的几何偏移与配准误差。这一“缺陷”反而使DPED更贴近真实应用场景——用户手持手机拍摄时，不可能与专业摄影师使用单反拍摄的画面完全重合。因此，DPED常被用于评估图像增强算法在非理想条件下的鲁棒性。此外，该数据集还被NTIRE真实世界超分辨率挑战赛采纳，衍生出DPED-RWSR版本用于超分任务。
四、官方下载方式
DPED数据集的官方发布渠道为论文作者维护的GitHub仓库与项目主页。具体操作如下：
方式一：GitHub仓库（推荐）
访问 https://github.com/aiff22/DPED，在README中找到“Download DPED dataset (patches for CNN training)”的链接。下载后解压至项目根目录下的dped/文件夹，确保其内包含sony/、iphone/、blackberry/三个子目录即可。
方式二：项目主页
论文作者的项目页面 https://aiff22.github.io/index.html 提供数据集的直接下载入口，同时附有预训练模型与代码说明。
需要提醒的是，DPED原始数据集体积较大，且部分镜像站点可能失效。若官方链接访问不畅，可尝试通过学术数据镜像或论文引用中标注的备用地址获取。使用时应遵守作者声明的学术研究用途限制。
五、使用建议
对于刚接触图像增强的研究者，DPED是上手真实场景画质提升任务的合适选择。建议先从iPhone子集入手，因其图像块数量适中且画质特征较为典型。训练时需注意：由于图像对未严格对齐，损失函数的选择（如感知损失、对抗损失）对最终效果影响显著，单纯依赖像素级MSE可能导致输出模糊。此外，若用于超分辨率任务，可参考NTIRE 2019挑战赛中基于DPED-RWSR的预处理流程，包括使用KernelGAN进行模糊核估计。
浙公网安备 33010602011771号