Waterloo IVC Dehazed Image Database, FRIDA dataset, D-hazy, CHIC, HazeRD, I-HAZE, O-HAZE

Waterloo IVC Dehazed Image Database包含25张涵盖多种户外场景和室内静态对象的模糊图像。FRIDA数据集是为高级驾驶员辅助系统设计的合成图像数据库，包含66个合成道路场景。D-hazy数据集包含1400多张来自Middleburry和NYU-Depth V2数据集的真实复杂场景图像。CHIC数据集包含两个受控环境中的场景，提供不同雾密度的图像。HazeRD数据集包含10个基于建筑生物识别项目的场景，提供RGB图像、深度图和合成模糊图像。I-HAZE数据集包含35对室内模糊和对应的清晰图像。O-HAZE数据集是首个包含真实模糊和对应清晰户外图像的数据库，包含45个不同的户外场景。

The Waterloo IVC Dehazed Image Database comprises 25 hazy images covering a variety of outdoor scenes and indoor static objects. The FRIDA dataset is a synthetic image database designed for advanced driver assistance systems, containing 66 synthetic road scenes. The D-hazy dataset includes over 1400 images from the Middleburry and NYU-Depth V2 datasets, depicting real complex scenes. The CHIC dataset features scenes from two controlled environments, providing images with varying fog densities. The HazeRD dataset contains 10 scenes based on architectural biometric projects, offering RGB images, depth maps, and synthetic hazy images. The I-HAZE dataset includes 35 pairs of indoor hazy and corresponding clear images. The O-HAZE dataset is the first database to contain real hazy and corresponding clear outdoor images, featuring 45 different outdoor scenes.

原始信息汇总

数据集概述

去雾数据集

1. Waterloo IVC Dehazed Image Database

   • 包含25张雾化图像，涵盖户外和室内场景。
   • 每张雾化图像有8种去雾算法处理后的结果，共形成25个图像集，每个图像集包含9张图像。

2. FRIDA dataset

   • 针对高级驾驶辅助系统设计，包含66个合成场景。

3. D-hazy

   • 包含超过1400张真实复杂场景的图像，基于Middleburry1和NYU-Depth V2数据集。

4. CHIC (Color Hazy Image for Comparison)

   • 包含两个控制环境下的场景，每个场景提供9张不同雾密度的图像及相关参数。

5. HazeRD

   • 包含10个户外场景，提供地面RGB图像、深度图和合成雾化图像。

6. I-HAZE

   • 包含35对室内雾化和无雾图像，雾化图像通过专业雾机生成。

7. O-HAZE

   • 包含45对户外雾化和无雾图像，雾化图像在真实雾中捕捉。

8. RESIDE

   • 分为五个子集，用于不同的训练或评估目的，提供多种评估标准。

去模糊（锐化）数据集

1. Understanding and evaluating blind deconvolution algorithms

   • 包含4个清晰图像和8个均匀模糊核，共32个测试图像。

2. Edge-based blur kernel estimation using patch priors

   • 扩展上述数据集，使用80个高分辨率自然图像和8个模糊核。

3. Benchmarking blind deconvolution with a real-world database

   • 包含4个潜在图像和12个相机轨迹，通过机器人平台捕捉模糊图像。

4. A Comparative Study for Single Image Blind Deblurring

   • 构建两个大型数据集：100个真实模糊图像和200个合成模糊图像。

去雨数据集

1. Removing rain from a single image via discriminative sparse coding

   • 通过在UCID数据集的200+户外图像上添加雨效果合成测试图像。

2. Rain Streak Removal Using Layer Priors

   • 使用12个图像的新数据集，通过现实渲染技术合成。

3. Automatic Single-Image-Based Rain Streaks Removal via Image Decomposition

   • 使用Photoshop生成合成数据。

4. Removing rain from single images via a deep detail network

   • 收集1000个清晰图像，合成14000个雨图像。

5. Deep Joint Rain Detection and Removal From a Single Image

   • 使用BSD200数据集的图像合成雨图像。

6. Video Rain Streak Removal By Multiscale ConvolutionalSparse Coding

   • 使用CDNET数据库的三个视频，添加不同类型的雨效果。

7. Density-aware Single Image De-raining using a Multi-stream Dense Network

   • 合成包含12000个图像的大型数据集，具有不同的雨密度级别。

雨滴去除数据集

1. Attentive Generative Adversarial Network for Raindrop Removal from A Single Image

   • 包含1119对图像，每对包含同一背景场景的雨滴和无雨滴版本。

2. Restoring an Image Taken through a Window Covered with Dirt or Rain

   • 通过在玻璃上喷水模拟雨效果，拍摄多个场景的清晰和雨滴图像。

搜集汇总

数据集介绍

构建方式

Waterloo IVC Dehazed Image Database的构建基于25幅涵盖多样户外场景和室内静态物体的雾化图像。其中，22幅户外场景图像在现实世界中拍摄，并受到不同程度的雾化影响，而另外3幅室内图像的雾化效果则是通过模拟均匀生成的。随后，选取了2009年至2014年间提出的8种去雾算法，对每幅雾化图像进行处理，生成了8种不同的去雾图像，最终形成了25组图像集，每组包含9幅相同内容的图像（1幅雾化图像和8幅去雾图像）。在主观测试中，24名受试者被要求对每组图像进行感知质量评分。

特点

该数据集的特点在于其多样性和真实性。它不仅包含了真实世界中的户外雾化场景，还通过模拟生成了室内雾化图像，确保了数据集的广泛适用性。此外，数据集通过多种去雾算法生成了丰富的去雾图像，为研究者提供了全面的对比和分析基础。主观测试的引入进一步增强了数据集的科学性和可靠性，使其成为评估去雾算法感知质量的重要工具。

使用方法

使用Waterloo IVC Dehazed Image Database时，研究者可以首先加载数据集中的雾化图像及其对应的去雾图像。通过对比不同去雾算法的处理效果，研究者可以评估各算法在去除雾化、恢复图像细节和色彩方面的性能。此外，数据集中的主观评分结果可以作为算法优化的重要参考，帮助研究者理解用户对去雾效果的感知偏好。最终，该数据集可用于开发新的去雾算法，或对现有算法进行性能验证和比较。

背景与挑战

背景概述

Waterloo IVC Dehazed Image Database 是由 Kede Ma、Wentao Liu 和 Zhou Wang 于2015年创建的，旨在评估单图像去雾算法的感知质量。该数据集包含25幅雾化图像，涵盖多样化的户外场景和室内静态物体。其中22幅户外场景图像在现实世界中拍摄，并受到不同程度的雾化影响，而另外3幅室内图像的雾化效果则是均匀模拟的。通过选择2009年至2014年间提出的8种去雾算法，每幅雾化图像生成了8种不同的去雾结果，形成了25个图像集，每个图像集包含9幅相同内容的图像（1幅雾化，8幅去雾）。在主观测试中，24名受试者被要求根据这些图像的感知质量进行评分。该数据集为图像去雾算法的评估提供了重要的基准，推动了计算机视觉领域的发展。

当前挑战

Waterloo IVC Dehazed Image Database 在构建和应用过程中面临多重挑战。首先，图像去雾算法的评估依赖于主观感知质量，这要求受试者具备较高的专业素养，且评分过程容易受到个体差异的影响。其次，数据集中的雾化图像涵盖了多样化的场景和雾化程度，如何确保这些图像的代表性和广泛性是一个难题。此外，去雾算法的性能评估需要综合考虑多种因素，如去雾效果的自然度、细节保留度等，这对评估标准的制定提出了较高要求。在数据集的构建过程中，如何模拟真实雾化效果并确保其与自然雾化的一致性也是一个技术难点。这些挑战不仅影响了数据集的构建质量，也对去雾算法的研究和应用提出了更高的要求。

常用场景

经典使用场景

在图像处理领域，Waterloo IVC Dehazed Image Database等数据集被广泛用于评估单幅图像去雾算法的性能。这些数据集通过提供不同场景下的雾化图像及其对应的去雾结果，为研究者提供了一个标准化的测试平台。通过主观和客观评价相结合的方式，研究者能够全面评估算法的去雾效果，从而推动去雾技术的发展。

解决学术问题

这些数据集解决了图像去雾领域中的多个关键问题，如算法性能的定量评估、去雾效果的感知质量分析以及不同场景下的去雾算法适应性。通过提供多样化的雾化图像和深度信息，研究者能够深入探讨雾化现象的物理机制，并开发出更加鲁棒和高效的去雾算法。这些数据集的出现，极大地促进了图像去雾领域的研究进展。

衍生相关工作

基于这些数据集，研究者们开发了多种经典的去雾算法，如基于深度学习的去雾网络、基于物理模型的去雾方法等。这些算法不仅在学术界取得了显著成果，还在工业界得到了广泛应用。例如，基于深度学习的去雾网络在多个公开数据集上取得了领先的性能，成为当前去雾领域的主流方法。这些经典工作的出现，进一步推动了图像去雾技术的发展和应用。