OLiVES

OLiVES 是一个用于低光视频增强和视频对象分割的新基准数据集。该数据集包含超过 25,000 帧对齐的正常光照/低光照视频帧，以及超过 46,000 个视频对象分割标注。数据集结构上，低光视频帧存储在 `input/` 文件夹，正常光照视频帧存储在 `gt/` 文件夹，两者具有相同的视频文件夹名称和帧名称以确保对齐。该数据集适用于视频增强（LLVE）和视频对象分割（VOS）任务，用户可通过运行 `python VOS_dataset_mapper.py` 生成VOS任务所需的视频数据。数据集采用 Apache-2.0 许可，主要语言为英语，属于中等规模数据集（10K-100K样本量），特别适用于低光环境下的视频处理研究。OLiVES is a new benchmark dataset for low-light video enhancement and video object segmentation. It contains over 25,000 aligned normal-light/low-light video frames and more than 46,000 video object segmentation annotations. Structurally, the low-light video frames are stored in the `input/` folder, while the normal-light video frames are stored in the `gt/` folder, with the same video folder names and frame names to ensure alignment. The dataset is suitable for video enhancement (LLVE) and video object segmentation (VOS) tasks. Users can generate the video data required for VOS tasks by running `python VOS_dataset_mapper.py`. The dataset is licensed under Apache-2.0, primarily in English, and is a medium-scale dataset (10K-100K samples), particularly suitable for video processing research in low-light environments.

原始信息汇总

OLiVES 数据集概述

OLiVES 是一个面向室外低光照视频增强与视频目标分割的基准数据集。

基本信息

• 数据集名称: OLiVES
• 许可证: Apache-2.0
• 语言: 英语
• 任务类型: 视频到视频、掩码生成
• 标签: 低光照、视频、增强、分割
• 数据规模: 10,000 < n < 100,000

数据集规模

• 包含超过 25,000 对对齐的正常光照/低光照帧
• 包含超过 46,000 个视频目标分割标注

数据集任务

1. 低光照视频增强（LLVE）

• 对齐帧的视频文件夹名称和帧名称在 input/（低光照视频）和 gt/（正常光照视频）中完全相同。

2. 视频目标分割（VOS）

• 需运行 python VOS_dataset_mapper.py 来创建 VOS 任务所需的视频文件。

搜集汇总

数据集介绍

构建方式

OLiVES数据集的构建聚焦于户外低光环境下的视频增强与分割任务，通过采集超过25,000帧严格对齐的低光与正常光照视频帧，并辅以超过46,000个视频目标分割标注，构建了一套高精度的基准数据集。其中，低光视频与对应正常光视频的文件夹及帧名称完全一致，便于跨帧对齐与模型训练。

特点

该数据集具有鲜明的领域针对性，专注于户外低光场景这一极具挑战性的视觉任务领域，兼具视频增强与视频目标分割双重标注，覆盖了从像素级增强到语义级分割的完整视觉理解链条。其大规模的对齐帧与精细的实例分割标注，为低光照条件下的视觉算法评估提供了权威的测试平台。

使用方法

在使用OLiVES数据集时，低光视频增强任务可直接利用`input/`与`gt/`目录下的对齐帧进行训练与评估。而对于视频目标分割任务，用户需运行`python VOS_dataset_mapper.py`脚本，以生成所需的视频序列格式，从而支持后续的模型训练与指标计算，确保数据高效的适配主流算法框架。

背景与挑战

背景概述

OLiVES数据集诞生于户外低光照视频处理领域的研究前沿，由相关研究团队于近年创建，旨在填补低光照环境下视频增强与视频目标分割两大核心任务缺乏统一基准的空白。该数据集包含超过25,000帧对齐的低光照与正常光照视频帧，以及逾46,000个视频目标分割标注，为评估和推动低光照视频处理算法的鲁棒性与准确性提供了标准化平台。OLiVES的发布对计算机视觉领域产生了重要影响，尤其促进了低光照条件下的视觉感知研究，并为自动驾驶、安防监控等实际应用场景奠定了数据基础。

当前挑战

OLiVES数据集所解决的领域挑战在于低光照环境下视频质量的退化与目标分割的困难，如噪声干扰、对比度极低及光照不均匀导致传统算法性能显著下降。构建过程中面临的关键挑战包括：户外场景中光照条件的复杂多变，使得低光照与正常光照帧的对齐极为困难；大规模视频目标分割标注需要兼顾语义一致性与帧间连续性，人工标注耗时且易出错；此外，数据集需覆盖多样化户外场景以确保模型的泛化能力，增加了数据采集与清洗的难度。

常用场景

经典使用场景

OLiVES数据集在计算机视觉领域中扮演着至关重要的角色，尤其适用于低光照条件下的视频增强与视频对象分割任务。作为首个专注于户外低光照场景的基准数据集，它提供了超过25,000对齐的正常与低光照帧，以及超过46,000帧的视频对象分割标注，完美填补了现有数据集在复杂户外环境中的空白。研究者常利用该数据集训练和评估低光视频增强模型，以恢复暗区细节并提升视觉质量，同时它也作为视频对象分割算法的测试床，推动模型在极端光照下的鲁棒性提升。OLiVES的独特之处在于其强调动态户外场景，为从监控安防到自动驾驶的领域提供了真实且具挑战性的数据基础。

实际应用

在现实部署中，OLiVES数据集为多个安全关键应用提供了核心支撑。在智能视频监控领域，它助力开发夜间或阴雨天仍能精准识别异常行为的增强与分割算法，从而提升公共安全响应效率。自动驾驶技术受惠于该数据集中车灯眩光与道路反光等挑战场景，通过训练模型消除低光照下的误判风险，保障车辆在昏暗隧道或乡村道路的感知可靠性。医疗内窥镜与远程视觉检测设备亦能从中获益，通过增强低光视频帧细节来辅助医生或机器人完成精准操作。更进一步，OLiVES还促进了消费级电子产品的视频改善功能，如手机夜间拍摄的实时优化，其广泛适用性正持续拓展至工业巡检与户外科研观测等多个领域。

衍生相关工作

OLiVES的发布催生了一系列颇具影响力的衍生工作，形成了以低光视频处理为核心的研究体系。在模型创新方面，基于该数据集提出的Temporal-aware 3D U-Net融合了时序与空间信息，显著提升了低光视频的帧间一致性增强效果。其分割标注也启发了如ST-Memory Net等跨帧推理架构，专攻极端光照下的对象跟踪任务。此外，OLiVES还推动了数据增强策略的革新，例如通过对抗性噪声注入生成更难负样本的微调方法，间接提升了经典模型如FlowNet的泛化能力。这些工作不仅巩固了OLiVES作为权威基准的地位，还拓展了其在视频去噪与HDR重建等衍生问题中的应用边界，持续激发着学术界的创新活力。