LODE

LODE数据集是清华大学软件学院首次为局部去模糊任务构建的大规模数据集，包含3700张真实世界中捕捉的局部模糊图像及其对应的清晰地面实况图像。该数据集通过使用高帧率相机记录移动物体，确保背景相对清晰而移动物体模糊，适用于深度局部去模糊研究。LODE数据集的创建旨在解决现有数据集主要关注全局模糊而忽视局部模糊的问题，特别是在移动物体导致的模糊场景中。该数据集的应用领域包括监控摄像、体育赛事等，旨在提高这些场景中图像的清晰度和质量。

The LODE Dataset is the first large-scale dataset constructed for the local deblurring task by the School of Software, Tsinghua University. It contains 3700 real-world locally blurred images and their corresponding sharp ground-truth images. This dataset captures moving objects via high-frame-rate cameras, ensuring that the background stays relatively clear while the moving objects are blurred, making it suitable for deep local deblurring research. The LODE Dataset was developed to address the issue that existing datasets primarily focus on global blur while neglecting local blur, especially in scenarios where blur is caused by moving objects. Its application fields include surveillance cameras, sports events and other relevant scenarios, aiming to improve the clarity and quality of images in these scenarios.

搜集汇总

数据集介绍

构建方式

在图像去模糊研究领域，局部模糊问题长期缺乏专门的数据支撑。LODE数据集的构建填补了这一空白，其构建过程体现了严谨的科学方法。研究团队采用索尼ZV-1相机以250帧/秒的高帧率录制了超过3700段视频片段，每段时长3秒，分辨率达1920×1080。录制场景涵盖公园、街道、图书馆等多样化环境，拍摄对象包括行人、车辆、动物等运动物体。通过随机选取7至13帧连续视频帧进行平均融合生成模糊图像，并以中间帧作为清晰真值。整个过程严格遵循相机响应函数校准流程，确保数据生成的物理准确性。训练集与验证集分别包含2700和1000个图像对，且源视频完全独立，保障了评估的公正性。

使用方法

该数据集为局部去模糊研究提供了多层次的实验平台。研究人员可直接使用其提供的3700个真实局部模糊-清晰图像对进行模型训练与评估，其中训练集与验证集的划分便于进行规范的性能比较。数据集支持端到端的监督学习范式，可用于训练各类深度学习去模糊网络。同时，其提供的BladeNet框架展示了结合合成数据增强的策略：通过局部模糊合成模块生成REDS与PASCAL VOC组合的合成数据，配合局部模糊感知模块和模糊引导空间注意力模块，形成完整的训练流程。用户可采用交替训练策略，先在合成数据上预训练，再在真实数据上微调。数据集的评估指标包括PSNR和SSIM，为算法性能提供量化比较基准。

背景与挑战

背景概述

在计算机视觉领域，图像去模糊技术旨在恢复因相机抖动或物体运动导致的图像退化问题。长期以来，研究焦点多集中于全局模糊，即由相机剧烈晃动引起的整体图像模糊。然而，局部模糊——主要由运动物体在相对静态背景下产生——虽在现实场景中普遍存在，却长期缺乏系统性的探索。为此，清华大学与OPPO等机构的研究团队于2021年推出了LODE数据集，作为首个专门针对局部去模糊任务的大规模真实世界数据集。该数据集包含3700对高分辨率图像，覆盖多样化的场景与光照条件，通过高帧率相机捕捉运动物体与清晰背景的配对数据，为深度学习模型提供了坚实的训练与评估基础。LODE的建立不仅填补了局部去模糊研究的数据空白，更推动了该领域从理论到应用的实质性进展。

当前挑战

局部去模糊任务面临双重挑战：在领域问题层面，现有全局去模糊方法难以有效处理局部模糊，因其模糊区域仅占图像小部分，导致模型易忽略局部特征或过度处理静态背景，造成性能下降或伪影。例如，传统基于卷积核估计的方法无法建模复杂物体运动，而深度网络若未针对局部特性设计，往往在PSNR等指标上表现不佳。在构建过程中，数据采集面临严峻考验：需确保背景静止而物体运动，以精确生成局部模糊；同时，高帧率录制与标定非线性相机响应函数增加了技术复杂度。此外，合成训练数据时需平衡真实性与多样性，避免模型过拟合，这要求巧妙结合辅助数据集与运动模拟策略。

常用场景

经典使用场景

在计算机视觉领域，局部运动模糊的去除一直是图像复原任务中的关键挑战。LODE数据集作为首个专注于局部去模糊的基准数据集，其经典使用场景在于为深度学习模型提供真实世界捕获的局部模糊图像及其对应清晰真值，从而支持模型训练与评估。该数据集通过高帧率相机捕捉静态背景下的运动物体，模拟了日常生活中常见的局部模糊现象，如监控摄像头拍摄的快速移动车辆或体育赛事中的瞬间抓拍。研究者利用LODE能够系统性地探索局部模糊的特性，并开发针对性的去模糊算法，弥补了以往全局去模糊数据集的不足。

解决学术问题

LODE数据集主要解决了局部去模糊这一长期被忽视的学术研究问题。传统去模糊研究多集中于由相机抖动引起的全局模糊，而忽略了物体运动导致的局部模糊，这在实际场景中极为普遍。该数据集通过提供大量真实局部模糊图像，使得研究者能够深入分析局部模糊与全局模糊的本质差异，并推动针对局部模糊的专用模型设计。其意义在于填补了局部去模糊基准数据的空白，促进了该子领域的发展，并为图像复原领域的算法评估提供了更全面的标准。

实际应用

在实际应用层面，LODE数据集支撑的技术可广泛应用于安防监控、体育摄影、移动设备成像等场景。例如，在静态监控摄像头中，快速移动的人或车辆常产生局部模糊，影响目标识别与追踪；智能手机拍摄运动物体时也易出现类似问题。基于LODE训练的模型能够有效恢复这些模糊区域的细节，提升图像质量，从而增强后续计算机视觉任务（如目标检测、行为分析）的准确性。此外，该数据集的高分辨率和多样化场景覆盖确保了模型在真实环境中的鲁棒性与泛化能力。

数据集最近研究

最新研究方向

在计算机视觉领域，图像去模糊技术长期聚焦于全局模糊的消除，主要应对相机抖动引起的整体图像退化。然而，局部模糊问题，即由运动物体在相对静态背景下产生的模糊，虽在实际场景中普遍存在，却长期缺乏系统研究。LODE数据集的提出填补了这一空白，为局部去模糊研究奠定了数据基础。当前，基于LODE的前沿研究正围绕局部模糊感知与空间注意力机制展开，通过BladeNet框架中的局部模糊合成模块、局部模糊感知模块及模糊引导的空间注意力模块，实现对运动物体区域的精准定位与恢复。这一方向不仅提升了局部去模糊的性能，还推动了去模糊模型从全局处理向局部自适应处理的范式转变，对监控、体育摄影等实际应用具有深远意义。

相关研究论文

• LODE: Deep Local Deblurring and A New Benchmark

  清华大学软件学院 · 2021年