Image to image Datasets

Dataset · Image to image

LavalObjaverseDataset

vLAR Group - HK PolyU

The Laval Objaverse Dataset is a comprehensive dataset designed for multi-view relighting and novel view synthesis tasks. It combines high-quality 3D assets from Objaverse with realistic, diverse illumination conditions from the Laval Indoor and Outdoor HDR datasets. Each render includes synchronized multi-view images, depth maps, and complete lighting metadata. We structured our dataset through a rigorous four-step pipeline: 1. Object Filtering: We source base meshes from the Objaverse dataset. To ensure high visual fidelity, we exclude meshes with poor geometry or materials by adopting the strict object selection criteria from the relitObjaverse dataset [[1]](#references). 2. Lighting…

SIRR 合成集（一般 p=1）的关键差别。 合成测试集目录：gt/t{XX}.png（透射 GT）、r/t{XX}.png（反射层）、 levels/alpha{lv}/t{XX}.png（各档输入）、alpha/（透过率场）、meta.json。 注意：无反射参考帧（T.png / GT.png）与 vehiclessd 训练数据字节级同源， DONOTUSEINTRAINING.md）。 这条数据用于 RDNet（CVPR 2025）的贴膜域微调：冻 FocalNet 主干训练其余参数， 配套权重见 zmy1234567890/tintedglass-rdnet-synth-ft。 重要负结果：合成域微调不能迁移到实拍（三套实拍配对集 gain-matched PSNR 全部变差 −0.44 ~ −3.87 dB，Wilcoxon p<0.05）。候选原因是合成 T 无噪声/JPEG、 - 合成层（T 源、R 池）来自公开学术数据集（SIR²、RRWDataset 等），仅供研究；

AmpScape is a benchmark of circuit-theoretic landscape connectivity solved with the reference solvers Circuitscape.jl 5.17.1 and Omniscape.jl 0.6.2, for training and fairly comparing learned surrogates. Each sample pairs a resistance raster and a source configuration with the exact solver outputs (current-density maps, voltage maps, effective resistances, omnidirectional connectivity). Honest framing. (1) The solver is the ground truth: outputs are stored raw (float32 maps, float64 effective resistances), never normalised, clipped or post-processed; every sample records solver versions, parameters, timings and residuals. (2) Real landscapes, synthesized resistance: real tiles are genuine…

Dataset · Image to image

Noob2EDIT

AnimeNexa LaxCore

HF 仓库：AnimeNexaLaxCore/Noob2EDIT，公开、人工审核开放。仓库内 data/ 下是分片、旁路表和 manifest.json，demo/ 是加载器适配用的演示包。 来源：ModelScope niangao233/NOOB2EDITGAMECG15M（hitomi gamecg 画廊，按相似度聚类成组）。 本目录是清洗、配对、VLM 标注后的训练用导出，格式为 WebDataset 分片，一个样本 = 一个差分组。 demo/ 下是给数据加载器适配用的小规模演示包，格式与正式分片完全一致。 - family：cg 游戏 CG 差分；sprite 立绘（原图带透明通道，已合成白底）。两套分片分开，训练时按比例混合。 - split：train / val，按画廊 id 的 sha1 哈希切分（val 占 2%），同一游戏的组不会跨集。 - 分片目标大小 1 GiB（正式），demo/ 为 300 MB。分片内的组顺序按画廊哈希打乱，各年份、各游戏天然混合。 - 分片文件名与 index 单调递增，manifest 中记录每个分片的字节数、sha256、样本数、边数和旁路表 sha256。 一个组在 tar 中是连续的若干成员，key 为 {galleryid}g{组号}： - CG 分支保留原始 AVIF 字节，未重编码。 - 立绘和任何带真实透明像素的图，在写入时合成到纯白背景并重编码为 AVIF q90（images[].reencoded = true）。训练数据中不存在 alpha 通道。 - 组内所有图尺寸一致（width /…