ExpoMotion

ExpoMotion是一个用于多曝光融合的大规模基准数据集，专注于在静态场景中同时进行细节恢复和运动伪影抑制。它集成了受控运动、真实世界运动、极端光照环境和实验室设置的数据。数据集包含训练集（1,493个序列，带有真实值）、测试集1（受控运动，带有真实值，用于参考评估）和测试集2（真实世界运动，无真实值，用于无参考评估）。每个序列是一个包含JPG图像的子文件夹，其中训练集和测试集1使用0.jpg、1.jpg、2.jpg作为输入，HDR.jpg作为真实值。ExpoMotion is a large-scale benchmark dataset for multi-exposure fusion, focusing on simultaneous detail restoration and motion artifact suppression in static scenes. It integrates data from controlled motion, real-world motion, extreme lighting environments, and laboratory settings. The dataset includes a training set (1,493 sequences with ground truth), Test Set 1 (controlled motion with ground truth for reference-based evaluation), and Test Set 2 (real-world motion without ground truth for no-reference evaluation). Each sequence is stored as a subfolder containing JPG images, where the training set and Test Set 1 use 0.jpg, 1.jpg, 2.jpg as input images and HDR.jpg as the ground truth.

原始信息汇总

数据集概述：ExpoMotion

ExpoMotion 是一个大规模的多曝光融合（Multi-Exposure Fusion, MEF）基准数据集，专注于同时实现细节恢复和运动伪影抑制。该数据集涵盖了受控运动、真实世界运动、极端光照环境以及实验室设置等多种场景。

---

数据集规模与划分

数据集共包含 1,493 个序列，划分为三个子集：

子集	运动类型	是否有真值 (GT)	用途
training	混合	有 (HDR.jpg)	有监督训练
testing_1	受控运动	有	基于参考的评估（PSNR, SSIM, LPIPS 等）
testing_2	真实世界运动	无	无参考推理

---

数据格式

• 每个序列为一个子文件夹，包含多张 JPG 格式的输入图像。
• training 和 testing_1 子集中，输入图像命名为 0.jpg、1.jpg、2.jpg，真值图像为 HDR.jpg。
• testing_2 子集仅包含多张输入图像，无真值图像。

---

下载地址

数据集通过以下两个镜像提供（不包含在代码仓库中）：

镜像	链接	提取码
百度网盘	ExpoMotion.zip	EXPO
Google Drive	ExpoMotion.zip	—

解压后，数据集文件结构如下：

DATA_ROOT/ ├── expomotion/ │ ├── training/ │ ├── testing_1/ │ └── testing_2/ └── expomotion_resize/ (可选，缩放版本)

---

相关引用

若使用该数据集或相关方法（HOP 网络），请引用以下论文：

bibtex @inproceedings{expo_motion_hop_2026, title = {ExpoMotion: A Large-Scale Benchmark and A Householder Projection Network for Multi-Exposure Fusion}, booktitle = {European Conference on Computer Vision (ECCV)}, year = {2026} }

---

相关链接

• 该数据集子集已被 NTIRE 2026 RAIM 挑战赛（Track 2） 采用：竞赛页面
• 基线代码：qulishen/RAIM-HDR
• 灵活的多帧 MEF 方法：qulishen/FreeMEF

搜集汇总

数据集介绍

构建方式

ExpoMotion数据集的构建源于对动态场景下多曝光融合任务的深入洞察。传统多曝光融合数据集多聚焦于静态场景的感知质量，而ExpoMotion则致力于同时实现细节恢复与运动伪影抑制。数据集整合了可控运动与真实世界运动场景、极端光照环境以及实验室设置中的多源数据，共计包含1,493个训练序列，每个序列由三张不同曝光的输入图像及其对应的高动态范围（HDR）真值图像构成。测试集分为两部分：testing_1包含具有真值的可控运动场景，用于基于参考的定量评估；testing_2则包含无真值的真实世界运动场景，专为无参考指标评价设计。数据以JPG图像序列形式组织，结构清晰，便于研究者快速接入。

特点

ExpoMotion数据集的核心特点在于其大规模、动态场景适应性以及双轨评估体系。作为当前最大的多曝光融合基准之一，它提供了丰富的训练样本，覆盖了从实验室可控运动到真实世界复杂运动的广泛场景，使模型能够学习到鲁棒的运动伪影抑制能力。数据集特有的双测试集设计兼具公平与实用：testing_1通过真值支持PSNR、SSIM、LPIPS等经典参考指标评估，确保定量比较的标准化；testing_2则面向真实应用，依赖无参考指标衡量模型在非理想条件下的泛化性能。此外，数据集已作为NTIRE 2026 RAIM挑战赛Track 2的官方数据，进一步验证了其领域权威性与实用价值。

使用方法

ExpoMotion数据集的使用需先通过百度网盘或Google Drive下载压缩包，解压后设置数据根目录（DATA_ROOT）指向包含expomotion/文件夹的路径。训练时，可直接调用train.py脚本，指定数据集路径、模型架构（如HOP-B）及超参数（包括批次大小、学习率及混合精度训练开关），模型将自动读取training子目录下的序列进行监督学习。测试阶段分为两种模式：对于testing_1，通过test.py加载预训练权重，生成预测结果并自动计算PSNR/SSIM指标；对于testing_2，执行无参考推理，仅输出融合图像。数据集同时提供预训练检查点，方便研究者直接复现基线结果或进行迁移学习。

背景与挑战

背景概述

ExpoMotion是2026年欧洲计算机视觉会议（ECCV）上提出的大规模多曝光融合基准数据集，由刘瑶等人及所属机构开发。该数据集聚焦于动态场景下的多曝光图像融合，旨在同时实现细节恢复与运动伪影抑制。其核心研究问题在于突破传统MEF方法仅适用于静态场景的局限，通过整合受控运动、真实世界运动以及极端光照环境下的数据，为动态多曝光融合提供标准化的训练与评估平台。ExpoMotion包含训练集1500余序列及两个测试集，分别支持有监督和无参考评价，已被NTIRE 2026挑战赛采纳为赛道数据，对推动动态场景高动态范围成像研究具有重要影响力。

当前挑战

当前多曝光融合领域面临的核心挑战在于动态场景中运动物体与极端光照的耦合问题。首先，运动物体在多帧曝光序列中产生非对应关系，直接融合会导致重影与伪影，传统算法难以在保持细节的同时有效消除运动失真。其次，构建ExpoMotion数据集时需同步采集不同曝光参数下的序列图像并生成高质量参考图，真实世界运动样本无法获取真值，只能依赖无参考评估，增加了验证难度。此外，光照剧烈变化区域的纹理重建、多帧间曝光差异的非线性映射，以及网络模型对受控与真实场景的泛化能力，均为研究中的技术瓶颈。

常用场景

经典使用场景

ExpoMotion数据集专为多曝光融合任务设计，其核心场景在于处理动态场景中因物体运动或相机抖动导致的曝光差异与运动伪影。该数据集涵盖了极端光照条件、受控运动以及真实世界运动等多种复杂情况，为训练和评估能够同时恢复细节并抑制运动伪影的融合模型提供了丰富的素材。研究者可将其用于监督学习中的参考评价（如测试集1）和无参考评价（如测试集2），从而全面衡量模型在细节保留与运动补偿方面的综合性能。

衍生相关工作

基于ExpoMotion，研究者衍生出多项代表性工作。例如，HOP（Householder Orthogonal Projection）网络通过正交投影机制在特征空间中解耦细节与运动，成为该基准的基线模型。此外，该数据集被NTIRE 2026 RAIM挑战赛采纳为Track 2的官方数据，催生了多种改进型融合架构。同期出现的FreeMEF方法则探索了灵活帧数融合策略，进一步拓展了动态场景下多曝光融合的技术边界。

数据集最近研究

最新研究方向

ExpoMotion数据集聚焦于多曝光融合领域的前沿挑战，突破了传统方法仅关注静态场景感知质量的局限，开创性地将细粒度细节恢复与运动伪影抑制相结合。该基准涵盖受控运动、真实世界运动及极端光照环境下的海量序列数据，为动态场景的多曝光融合提供了标准化评估平台。关联ECCV 2026及NTIRE 2026 RAIM竞赛，该数据集正推动无参考评价与高效融合网络的迭代，其提出的Householder正交投影网络（HOP）通过新颖的全局投影与注意力机制显著提升了融合质量。这一工作不仅填补了大规模动态多曝光数据集的空白，更成为该领域从实验室理想条件迈向复杂真实场景应用的关键里程碑。