有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
LoLI-Street|自动驾驶数据集|图像增强数据集
收藏arXiv2024-10-13 更新2024-10-16 收录
下载链接：
https://github.com/tanvirnwu/TriFuse
下载链接
链接失效反馈资源简介：
LoLI-Street数据集由韩国成均馆大学软件系创建，包含33,000张配对的低光和正常曝光的街道场景图像，涵盖19,000个对象类别，适用于低光图像增强和对象检测。数据集通过从不同城市收集的高分辨率视频中提取帧并手动筛选创建，确保图像质量。该数据集特别适用于自动驾驶和监控系统，旨在解决低光条件下图像增强和对象检测的挑战。
提供机构：
韩国成均馆大学软件系
创建时间：
2024-10-13
AI搜集汇总
数据集介绍
构建方式
LoLI-Street数据集的构建旨在填补低光图像增强领域中街道场景数据的空白。该数据集通过从多个发达城市的4K/8K视频中提取帧，并经过人工审查以确保高质量，最终形成了包含30,000张训练图像、3,000张验证图像和1,000张真实低光测试图像的集合。这些图像涵盖了三种不同强度的低光效果（高、中、轻），为低光图像增强模型的训练和评估提供了丰富的资源。
使用方法
LoLI-Street数据集可用于训练和评估低光图像增强模型，特别是在街道场景下的应用。研究者可以使用该数据集来开发和测试新的低光图像增强算法，如基于Transformer和扩散模型的方法。此外，数据集中的对象检测标注可以用于评估模型在低光条件下的对象识别能力。通过GitHub提供的完整代码和数据集，研究者可以方便地访问和使用这些资源进行进一步的研究和开发。
背景与挑战
背景概述
在计算机视觉领域，低光图像增强（Low-Light Image Enhancement, LLIE）技术对于提升图像质量至关重要，尤其在自动驾驶、监控系统等应用中。尽管已有大量研究致力于改善低光环境下的图像质量，但实际应用中仍面临诸多挑战。LoLI-Street数据集由韩国成均馆大学软件系的研究团队于2024年创建，旨在解决低光环境下街道场景图像增强的问题。该数据集包含33,000对低光和正常曝光的街道场景图像，覆盖19,000个物体类别，为低光图像增强模型的训练和评估提供了丰富的资源。LoLI-Street数据集的推出，不仅填补了现有数据集在街道场景类型上的空白，还为开发更鲁棒的低光图像增强方法提供了新的基准。
当前挑战
LoLI-Street数据集的构建面临多重挑战。首先，低光环境下图像采集的复杂性导致数据集的构建需要克服光照不均、噪声干扰等问题。其次，现有低光图像增强方法在实际应用中表现不佳，尤其是在处理街道场景时，缺乏对复杂环境变化的适应性。此外，数据集的多样性和规模要求在保证数据质量的同时，还需确保数据的广泛覆盖和代表性。这些挑战不仅影响了数据集的构建过程，也限制了低光图像增强技术在实际应用中的效果，亟需进一步研究和优化。
常用场景
经典使用场景
LoLI-Street数据集在低光图像增强领域中具有经典应用场景，特别是在城市街道场景下的图像增强。该数据集包含33,000对低光和正常曝光的街道图像，覆盖了19,000个对象类别，适用于对象检测任务。通过提供高质量的训练和验证数据，LoLI-Street数据集支持开发和评估低光图像增强算法，特别是在自动驾驶和监控系统中，这些系统在低光条件下需要精确的对象检测和场景理解。
解决学术问题
LoLI-Street数据集解决了低光图像增强领域中的一个关键学术问题，即缺乏适用于城市街道场景的配对数据集。现有的低光图像增强方法在处理真实世界低光条件下的图像时表现不佳，尤其是在缺乏街道场景数据的情况下。通过提供大规模的街道场景数据，LoLI-Street数据集促进了更鲁棒的低光图像增强方法的发展，这对于提高自动驾驶车辆和监控系统在低光环境下的性能具有重要意义。
实际应用
LoLI-Street数据集在实际应用中具有广泛的应用场景，特别是在自动驾驶和监控系统中。自动驾驶车辆在夜间或低光条件下行驶时，需要高质量的图像增强技术来确保安全导航和对象检测。监控系统在低光环境下也需要有效的图像增强技术来提高视频监控的清晰度和准确性。此外，该数据集还可用于开发和测试其他计算机视觉任务，如图像分割和场景理解，进一步扩展其在实际应用中的价值。
数据集最近研究
最新研究方向
在低光图像增强（LLIE）领域，LoLI-Street数据集的最新研究方向主要集中在开发和评估针对低光条件下街景图像的增强方法。随着自动驾驶和监控系统对高质量视觉数据的需求日益增长，现有的低光图像增强技术在处理真实世界街景图像时仍面临挑战。因此，研究者们致力于通过引入新的数据集和先进的模型，如基于Transformer和扩散模型的TriFuse，来提升低光图像的视觉效果和对象检测精度。这些研究不仅推动了LLIE技术的发展，还为自动驾驶和监控系统提供了更可靠的视觉支持，具有重要的实际应用价值。
相关研究论文
- 1LoLI-Street: Benchmarking Low-Light Image Enhancement and Beyond韩国成均馆大学软件系 · 2024年
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊
reereererreereererreereererreereererreereererreereererreereererreereererreereererreereererreereererreereerer
阿里云天池 收录
CE-CSL
CE-CSL数据集是由哈尔滨工程大学智能科学与工程学院创建的中文连续手语数据集，旨在解决现有数据集在复杂环境下的局限性。该数据集包含5,988个从日常生活场景中收集的连续手语视频片段，涵盖超过70种不同的复杂背景，确保了数据集的代表性和泛化能力。数据集的创建过程严格遵循实际应用导向，通过收集大量真实场景下的手语视频材料，覆盖了广泛的情境变化和环境复杂性。CE-CSL数据集主要应用于连续手语识别领域，旨在提高手语识别技术在复杂环境中的准确性和效率，促进聋人与听人社区之间的无障碍沟通。
arXiv 收录
TT100K - Tsinghua-Tencent 100K
TT100K数据集是一个用于交通标志检测和识别的大规模数据集，包含100,000张标注的交通标志图像。该数据集主要用于计算机视觉和自动驾驶领域的研究。
cg.cs.tsinghua.edu.cn 收录
SSDD遥感SAR目标检测数据集-COCO格式
SSDD遥感SAR目标检测数据集-COCO格式，按照官方制定方式划分训练/验证集
AI_Studio 收录
HazyDet
HazyDet是由解放军工程大学等机构创建的一个大规模数据集，专门用于雾霾场景下的无人机视角物体检测。该数据集包含383,000个真实世界实例，收集自自然雾霾环境和正常场景中人工添加的雾霾效果，以模拟恶劣天气条件。数据集的创建过程结合了深度估计和大气散射模型，确保了数据的真实性和多样性。HazyDet主要应用于无人机在恶劣天气条件下的物体检测，旨在提高无人机在复杂环境中的感知能力。
arXiv 收录