准备 REDS 数据集¶
@InProceedings{Nah_2019_CVPR_Workshops_REDS,
author = {Nah, Seungjun and Baik, Sungyong and Hong, Seokil and Moon, Gyeongsik and Son, Sanghyun and Timofte, Radu and Lee, Kyoung Mu},
title = {NTIRE 2019 Challenge on Video Deblurring and Super-Resolution: Dataset and Study},
booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Workshops},
month = {June},
year = {2019}
}
请注意，我们合并了 REDS 的训练集和验证集，以便在 REDS4 划分（在 EDVR 中会使用到）和官方验证集划分之间切换。
原始验证集的名称被修改了（clip 000 到 029），以避免与训练集发生冲突（总共 240 个 clip）。具体而言，验证集中的 clips 被改名为 240、241、… 269。
可通过运行以下命令来准备 REDS 数据集:
python tools/dataset_converters/reds/preprocess_reds_dataset.py ./data/REDS
mmagic
├── mmagic
├── tools
├── configs
├── data
│ ├── REDS
│ │ ├── train_sharp
│ │ │ ├── 000
│ │ │ ├── 001
│ │ │ ├── ...
│ │ ├── train_sharp_bicubic
│ │ │ ├── X4
│ │ │ | ├── 000
│ │ │ | ├── 001
│ │ │ | ├── ...
│ │ ├── meta_info_reds4_train.txt
│ │ ├── meta_info_reds4_val.txt
│ │ ├── meta_info_official_train.txt
│ │ ├── meta_info_official_val.txt
│ │ ├── meta_info_REDS_GT.txt
│ ├── REDS4
│ │ ├── GT
│ │ ├── sharp_bicubic
准备 LMDB 格式的 REDS 数据集¶
如果您想使用 LMDB 以获得更快的 IO 速度，可以通过以下脚本来构建 LMDB 文件：
python tools/dataset_converters/reds/preprocess_reds_dataset.py --root-path ./data/REDS --make-lmdb
裁剪为子图¶
MMagic 支持将 REDS 图像裁剪为子图像以加快 IO。我们提供了这样一个脚本：
python tools/dataset_converters/reds/crop_sub_images.py --data-root ./data/REDS -scales 4
生成的数据存储在 REDS 下，数据结构如下，其中_sub表示子图像。
mmagic
├── mmagic
├── tools
├── configs
├── data
│ ├── REDS
│ │ ├── train_sharp
│ │ │ ├── 000
│ │ │ ├── 001
│ │ │ ├── ...
│ │ ├── train_sharp_sub
│ │ │ ├── 000_s001
│ │ │ ├── 000_s002
│ │ │ ├── ...
│ │ │ ├── 001_s001
│ │ │ ├── ...
│ │ ├── train_sharp_bicubic
│ │ │ ├── X4
│ │ │ │ ├── 000
│ │ │ │ ├── 001
│ │ │ │ ├── ...
│ │ │ ├── X4_sub
│ │ │ ├── 000_s001
│ │ │ ├── 000_s002
│ │ │ ├── ...
│ │ │ ├── 001_s001
│ │ │ ├── ...
请注意，默认情况下，preprocess_reds_dataset.py 不会为裁剪后的数据集制作 lmdb 和注释文件。您可能需要为此类操作稍微修改脚本。