HaLoBuilding

HaLoBuilding是首个专为雾霾和低光照条件下建筑物提取构建的光学遥感基准数据集，由安徽大学联合东京大学研发。数据集基于GF2-PMS和GF7-DLC卫星系统采集，覆盖中国10个省份的城乡海岸场景，通过同场景多时相配对策略实现像素级标注对齐。其核心创新在于采用两阶段标注流程：先进行时空配对构建退化-清晰图像对，再通过人工精细化修正确保标注质量。该数据集旨在解决恶劣天气下建筑物提取的几何失真和语义模糊问题，为智慧城市建设和应急响应提供关键数据支撑。

HaLoBuilding is the first optical remote sensing benchmark dataset dedicated to building extraction under hazy and low-light conditions, jointly developed by Anhui University and the University of Tokyo. The dataset is collected based on GF2-PMS and GF7-DLC satellite systems, covering urban-rural coastal scenes across 10 provinces in China, and achieves pixel-level annotation alignment via the same-scene multi-temporal pairing strategy. Its core innovation lies in a two-stage annotation workflow: first, spatiotemporal pairing is used to construct degraded-sharp image pairs, followed by manual fine-grained revision to ensure annotation quality. This dataset aims to address the problems of geometric distortion and semantic ambiguity in building extraction under adverse weather conditions, providing key data support for smart city construction and emergency response.

原始信息汇总

HaLoBuilding 数据集概述

数据集简介

HaLoBuilding 是首个专门针对雾霾和低光照等不利天气条件下建筑物提取任务而设计的光学遥感影像基准数据集。该数据集旨在解决现有方法和基准主要关注理想晴朗天气条件，而在现实不利场景中性能显著下降的问题。

核心特点

• 应用场景：专注于从遥感影像中进行建筑物提取，服务于智慧城市建设和灾害应急响应。
• 核心挑战：针对大气散射和光照退化等普遍存在的不利天气条件。
• 数据构建策略：采用同场景多时相对配策略，确保即使在极端退化条件下也能实现像素级标签对齐和高保真度。
• 标注流程：包含两个阶段。第一阶段将清晰的参考图像与不利天气下的对应图像配对；第二阶段从清晰图像转移高质量标签，并进行严格的人工细化修正，以确保与实际上可见的建筑物实现高保真、像素级对齐。

数据集获取

• 百度网盘：https://pan.baidu.com/s/1MDS15v0zWMHhTf9mAnZxrw?pwd=0220 (提取码：0220)
• Google Drive：https://drive.google.com/drive/folders/1ikmg7jdjC-yGk70mxTspxxMa4HLLmonC?usp=drive_link

相关模型

基于此基准数据集，论文提出了 HaLoBuild-Net，一个用于不利遥感场景下建筑物提取的端到端新颖框架。其核心包括：

1. 空间-频率滤波模块：通过将大感受野注意力与频域低频感知耦合，有效解耦气象干扰与建筑结构。
2. 全局多尺度引导模块：提供全局语义约束以锚定建筑物拓扑。
3. 互引导融合模块：通过双向交互弥合编码器与解码器之间的语义鸿沟。

使用许可

本数据集采用 知识共享署名-非商业性使用 4.0 国际许可协议 授权，仅限非商业用途。任何商业用途需事先获得正式许可。

联系信息

如有关于此项工作的任何问题，可通过以下方式联系：

• 邮箱：[e-mail]
• 微信：luwei_ahu

搜集汇总

数据集介绍

构建方式

在遥感影像分析领域，针对恶劣天气条件下建筑物提取的数据稀缺问题，HaLoBuilding数据集通过创新的同场景多时相对配策略构建而成。该策略首先基于地理坐标元数据，将同一区域在清晰天气与雾霾或低光照条件下拍摄的影像进行精确对齐与裁剪，形成1024×1024像素的图像对。随后，在清晰参考影像上标注高质量建筑物标签，并将其迁移至恶劣天气影像，再通过严格的人工核查与修正，消除因时序变化或能见度差异导致的不一致区域，最终确保了像素级对齐的高保真标注。

特点

HaLoBuilding作为首个专为雾霾和低光照条件设计的建筑物提取基准数据集，其核心特点在于真实反映了极端退化场景下的视觉挑战。数据集包含HaLo-H和HaLo-L两个子集，分别涵盖从薄雾到浓雾的多种雾霾密度，以及从昏暗光照到近乎全黑的低光强度范围。通过核密度估计分析，这些子集与清晰影像之间存在显著的统计域偏移：雾霾子集呈现亮度右移与特征对比度衰减，低光子集则表现出强度左偏与信息压缩。这种本质分布差异使得传统基于清晰天气训练的模型面临严重泛化失效，从而为开发鲁棒的端到端提取算法提供了至关重要的评估基准。

使用方法

在建筑物提取任务中，HaLoBuilding数据集主要用于训练和评估模型在恶劣光学条件下的性能。研究者可将数据集按7:1:2的比例划分为训练、验证和测试集，以进行公平可复现的实验。该数据集支持端到端框架的直接训练，避免了传统级联方法中图像增强带来的伪影与误差传播问题。通过在此数据集上优化，模型能学习从退化观测中恢复判别性建筑物特征的映射函数，进而提升在真实世界雾霾与低光场景中的几何精度与语义一致性。此外，该数据集还可用于跨域泛化测试，验证模型在WHU、INRIA等清晰天气数据集上的迁移能力。

背景与挑战

背景概述

遥感影像中的建筑物提取是智慧城市建设和灾害应急响应的关键技术，然而现有方法多聚焦于理想天气条件，在真实世界的雾霾与低光照场景下性能显著退化。为填补这一空白，安徽大学计算机科学与技术学院的研究团队于2020年提出了HaLoBuilding数据集，这是首个专门针对雾霾与低光照条件下光学遥感建筑物提取的大规模基准数据集。该数据集利用高分二号与高分七号卫星影像，通过同场景多时相对齐策略，将清晰参考影像的高质量标签迁移至退化影像，并辅以人工精修，确保了像素级标注的精确性。HaLoBuilding涵盖了中国多个省份的城乡场景，包含4386张高分辨率影像，分为HaLo-L（低光照）与HaLo-H（雾霾）两个子集，为恶劣天气下的建筑物提取研究提供了至关重要的数据支撑，推动了全天候遥感分析算法的发展。

当前挑战

HaLoBuilding数据集旨在解决雾霾与低光照条件下光学遥感建筑物提取的核心挑战，其首要难题在于恶劣天气导致的信号退化，如低光照下的信噪比骤降与纹理丢失，以及雾霾引起的对比度衰减与色彩畸变，这些因素严重干扰了建筑物特征的辨识与边界定位。在数据集构建过程中，研究团队面临标注一致性的严峻考验，由于天气退化与时间间隔的影响，清晰影像与退化影像之间存在建筑物可见性差异，必须通过严谨的人工核查与修正来保证像素级标签的对齐精度。此外，该数据集还需应对真实退化场景的复杂多样性，既要覆盖从薄雾到浓雾、从昏暗到近全黑的光照强度范围，又要确保地理分布与场景类型的代表性，以构建能够反映现实世界统计域偏移的可靠基准。

常用场景

经典使用场景

在遥感影像分析领域，HaLoBuilding数据集为建筑物提取任务提供了首个专门针对雾霾和低光照条件的基准测试平台。其经典使用场景聚焦于评估和开发能够在极端退化光学影像中保持高精度建筑物轮廓提取的深度学习模型。通过采用同场景多时相对配策略，该数据集确保了像素级标签对齐，为模型在能见度严重受限的真实世界条件下进行鲁棒性训练和验证奠定了数据基础。研究人员利用该数据集能够系统地探究模型在信号衰减、纹理丢失和对比度下降等复杂退化模式下的性能边界，推动全天气候遥感感知算法的发展。

实际应用

该数据集的实际应用价值体现在提升智慧城市与应急响应的全天候作业能力上。在城市规划中，能够利用雾天或夜间的遥感影像持续监测建筑群动态，支持基础设施管理与空间分析。在灾害应急场景，如地震或爆炸后的夜间搜救，模型可快速从低光照影像中提取受损建筑轮廓，为灾情评估和救援部署提供关键地理信息。此外，对于高纬度地区漫长的冬季黑夜或常见雾霾区域的常态化监测，基于HaLoBuilding训练的模型能保障遥感解译工作的连续性与可靠性，减少对理想天气条件的依赖。

衍生相关工作

围绕HaLoBuilding数据集，衍生出一系列专注于恶劣天气下视觉任务的前沿研究工作。其提出的HaLoBuild-Net框架集成了空间-频率聚焦模块、全局多尺度引导模块和双向引导融合模块，为端到端的退化影像建筑物提取设立了新基线。该工作启发了后续研究在特征空间进行域适应的思路，例如探索无需显式图像增强的频率域适配方法。同时，数据集的构建方法论——特别是同场景多时相对配与精细人工修正策略——为其他恶劣天气遥感数据标注（如雨、雪）提供了可借鉴的范式，推动了鲁棒遥感感知专用基准数据的生态发展。