LoLI-Street

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。The LoLI-Street dataset was developed by the Department of Software, Sungkyunkwan University, Republic of Korea. It contains 33,000 paired low-light and normally exposed street scene images, covering 19,000 object categories, and is tailored for low-light image enhancement and object detection tasks. The dataset is constructed by extracting frames from high-resolution videos collected across various cities and performing manual filtering to ensure image quality. This dataset is particularly suitable for autonomous driving and surveillance systems, aiming to address the challenges of image enhancement and object detection under low-light conditions.

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

• LoLI-Street: Benchmarking Low-Light Image Enhancement and Beyond

  韩国成均馆大学软件系 · 2024年