LMHaze

LMHaze是一个大规模多强度真实雾霾数据集，用于图像去雾研究。

LMHaze is a large-scale real-world haze dataset with multiple haze intensities, designed for image dehazing research.

原始信息汇总

LMHaze

数据集概述

• 名称: LMHaze
• 描述: 该数据集是论文 "LMHaze: Intensity-aware Image Dehazing with a Large-scale Multi-intensity Real Haze Dataset" 的官方实现，已被 ACM MM Asia 2024 接收。

其他信息

• 代码发布: 代码将在后续发布。

搜集汇总

数据集介绍

构建方式

在图像去雾领域，LMHaze数据集的构建旨在解决现有数据集在真实世界图像对收集上的困难。该数据集通过在多样化的室内外环境中捕捉配对的模糊和清晰图像，涵盖了多种场景和雾霾强度。LMHaze包含超过5000对高分辨率图像，其规模远超现有最大的真实世界去雾数据集，确保了数据集的广泛性和代表性。

特点

LMHaze数据集的显著特点在于其大规模和高品质的真实世界图像对，这些图像对跨越了多种雾霾强度和场景，有效解决了现有数据集在雾霾强度分布偏差和场景同质性上的局限。此外，数据集的构建还支持了基于Mamba（MoE-Mamba）的混合专家模型，该模型能够根据雾霾强度动态调整模型参数，从而提升去雾效果。

使用方法

LMHaze数据集适用于图像去雾算法的训练和评估，尤其适用于需要处理不同雾霾强度图像的场景。用户可以通过提供的代码进行数据集的加载和预处理，进而训练和测试去雾模型。数据集的多样性和高分辨率图像对为研究人员提供了丰富的资源，有助于推动图像去雾技术在实际应用中的性能提升。

背景与挑战

背景概述

图像去雾技术近年来备受关注，特别是在基于学习的去雾方法中，通常需要配对的模糊和清晰图像进行训练。然而，收集真实世界的配对图像是一项艰巨的任务，这限制了现有方法的发展。尽管一些研究通过使用合成数据集或小规模真实数据集部分缓解了这一问题，但现有数据集中的雾霾强度分布偏差和场景同质性限制了这些方法的泛化能力，特别是在处理未见过的雾霾强度图像时。为此，LMHaze数据集应运而生，它是一个大规模、高质量的真实世界数据集，包含在多样化的室内外环境中拍摄的配对模糊和清晰图像，涵盖多种场景和雾霾强度。该数据集包含超过5000对高分辨率图像，规模远超现有最大的真实世界去雾数据集。

当前挑战

LMHaze数据集的构建面临多重挑战。首先，收集真实世界的配对模糊和清晰图像是一项复杂且耗时的任务，需要克服环境多样性和雾霾强度的变化。其次，数据集的规模和质量要求极高，以确保训练出的去雾模型具有良好的泛化能力。此外，如何处理不同雾霾强度的图像，以提高模型的适应性和效果，也是一大挑战。最后，构建过程中还需考虑数据集的多样性和代表性，以确保其在实际应用中的有效性。

常用场景

经典使用场景

LMHaze数据集在图像去雾领域中具有广泛的应用前景。其经典使用场景包括但不限于：通过训练深度学习模型，实现对不同雾浓度和场景下的图像进行高效去雾处理。由于LMHaze包含了超过5000对高质量的雾化与非雾化图像，这些图像涵盖了多种室内外环境，使得模型能够在多样化的实际应用中展现出卓越的泛化能力。

实际应用

在实际应用中，LMHaze数据集为智能交通、自动驾驶、无人机监控等领域提供了强大的技术支持。例如，在自动驾驶系统中，通过使用LMHaze数据集训练的去雾模型，可以显著提高车辆在雾天环境下的视觉感知能力，从而提升行车安全性。此外，该数据集还可应用于视频监控系统，确保在各种天气条件下都能提供清晰的视频画面，增强监控效果。

衍生相关工作

LMHaze数据集的发布催生了多项相关研究工作。例如，基于LMHaze数据集，研究者们提出了多种改进的去雾算法，如混合专家模型（MoE-Mamba），该模型能够根据雾浓度动态调整参数，显著提升了去雾效果。此外，LMHaze还推动了多模态大模型（LMM）在图像质量评估中的应用，通过模拟人类感知来评估去雾图像的质量，进一步提升了去雾技术的实用性和可靠性。