bezzam/DiffuserCam-Lensless-Mirflickr-Dataset-NORM

该数据集属于图像到图像的任务类别，规模在10K到100K之间。数据集包含两种类型的图像：无镜头（lensless）和有镜头（lensed）。数据集被划分为训练集和测试集，训练集包含24000个示例，测试集包含999个示例。数据集的下载大小为7579608881字节，总大小为7574313716字节。此数据集是另一个数据集的改进版本，图像被归一化到8位全范围，更适合未来模型的训练，并且提供了一个更易于访问的副本（6GB而不是100GB）。

原始信息汇总

数据集概述

数据集大小

• 大小分类: 10K<n<100K

任务分类

• 任务类型: image-to-image

数据集特征

• 特征1: lensless
  • 数据类型: image
• 特征2: lensed
  • 数据类型: image

数据集分割

• 训练集:
  • 样本数量: 24000
  • 存储大小: 7272353162.0 字节
• 测试集:
  • 样本数量: 999
  • 存储大小: 301960554.0 字节

数据集下载与存储大小

• 下载大小: 7579608881 字节
• 数据集大小: 7574313716.0 字节

配置信息

• 配置名称: default
• 数据文件路径:
  • 训练集: data/train-*
  • 测试集: data/test-*

标签

• lensless
• computational imaging

搜集汇总

数据集介绍

构建方式

该数据集基于DiffuserCam无透镜成像系统，从Mirflickr图像库中选取原始有透镜（lensed）图像，通过模拟无透镜（lensless）光学过程生成对应的无透镜测量值，并将所有图像归一化至完整的8位动态范围，以确保数据的一致性与模型训练的稳定性。最终构建包含24000个训练样本和999个测试样本的配对数据集。

特点

数据集的核心特点在于提供了归一化至全8位范围的无透镜与有透镜图像对，相较于原始未归一化版本，更有利于深度学习模型的收敛与泛化。其规模适中（约6GB），避免了原始数据集（100GB）的高存储需求，同时保留了关键的光学成像特征，适用于计算成像领域的图像重建任务。

使用方法

该数据集可直接用于训练图像到图像的深度学习模型，例如无透镜图像重建网络。使用时需加载'lensless'作为输入特征，'lensed'作为目标标签，并利用HuggingFace的datasets库按默认配置划分训练集和测试集。建议在训练前对数据进行标准化或增强，以提升模型的鲁棒性。

背景与挑战

背景概述

在计算成像领域，无透镜成像技术因其轻薄、低成本和高视场角等优势，正逐步成为传统透镜成像的潜在替代方案。然而，无透镜系统捕获的原始图像往往因缺乏光学聚焦而呈现模糊、混叠等退化特征，亟需通过深度学习等计算手段进行高质量重建。bezzam/DiffuserCam-Lensless-Mirflickr-Dataset-NORM数据集正是在此背景下诞生，由Waller实验室的研究人员于近年创建，旨在为无透镜图像重建提供标准化训练与评估基准。该数据集基于Mirflickr图像库，利用DiffuserCam无透镜成像系统生成对应的无透镜-有透镜图像对，并特别将图像归一化至完整8位动态范围，以消除亮度偏差对模型训练的干扰。其影响力体现在为无透镜计算成像领域提供了大规模、高一致性且易于访问的训练资源，显著降低了后续研究者的数据获取门槛，推动了端到端重建算法的快速发展。

当前挑战

该数据集所应对的核心领域挑战在于无透镜成像中的图像重建问题，即如何从高度退化的无透镜测量值中恢复出清晰、真实的有透镜场景。由于无透镜系统的点扩散函数复杂且空间变化，传统去卷积方法往往难以奏效，而基于学习的方法则依赖大规模配对数据，这又引出了数据集构建本身的难题：首先，无透镜与有透镜图像的精确配准极为困难，微小的机械位移或光学畸变都会导致像素级对齐误差；其次，原始数据动态范围差异巨大，若不经归一化处理，模型易偏向高亮区域而忽略暗部细节；最后，数据集规模虽达24000训练样本，但面对真实世界中无穷变化的光照、纹理与几何结构，其泛化能力仍面临严峻考验，尤其在低光照或高动态范围场景下，重建质量可能显著下降。

常用场景

经典使用场景

在计算成像领域，无透镜成像技术因其轻薄、低成本的优势而备受关注，然而从无透镜传感器捕获的衍射图案中重建清晰图像是一项极具挑战的逆问题。DiffuserCam-Lensless-Mirflickr-Dataset-NORM数据集为这一难题提供了标准化的训练与测试基准，其经典用法是作为图像重建网络的配对训练数据，即利用无透镜图像与对应透镜图像之间的映射关系，训练深度神经网络学习从模糊的衍射测量值恢复出高质量自然图像。该数据集经过8位全动态范围归一化处理，消除了原始数据中的亮度偏差，使得模型训练更加稳定高效。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于U-Net架构的无透镜图像重建网络、结合物理模型与数据驱动的混合方法，以及用于提升泛化能力的域适应技术。研究者还利用该数据集验证了自监督预训练策略在无透镜成像中的有效性，并开发了针对不同噪声模式的鲁棒重建模型。此外，该数据集作为Waller实验室LenslessLearning项目的重要组成部分，为后续的无透镜成像基准测试和算法竞赛提供了标准数据源，促进了该领域的可重复研究与开放科学实践。

数据集最近研究

最新研究方向

在计算成像领域，无透镜成像技术因其紧凑结构和低成本优势，正成为突破传统光学系统瓶颈的前沿方向。DiffuserCam-Lensless-Mirflickr-Dataset-NORM数据集通过将原始图像归一化至完整8位范围，为基于深度学习的无透镜图像重建提供了高质量训练基准。该数据集源自Waller实验室的大规模研究，其标准化处理有效降低了模型训练中的动态范围偏差，推动了端到端重建网络在真实场景下的泛化能力。当前热点聚焦于结合扩散模型与扩散器编码的物理先验，以解决无透镜系统中点扩散函数模糊与噪声耦合的难题，该数据集为此类混合方法提供了关键训练支撑，对发展轻量化、高保真的计算相机系统具有里程碑意义。