RainRAG Dataset

RainRAG数据集是一个用于图像去雨任务的数据集，包含混合训练数据集、分类训练数据集和测试数据集。

The RainRAG Dataset is a dataset designed for the image deraining task, which includes a mixed training dataset, a classification training dataset, and a test dataset.

原始信息汇总

UniRain数据集概述

数据集基本信息

• 数据集名称: RainRAG Dataset
• 关联项目: UniRain: Unified Image Deraining with RAG-based Dataset Distillation and Multi-objective Reweighted Optimization
• 项目状态: 相关论文已被CVPR 2026接收。
• 发布日期: 2026年3月3日（数据集、可视化结果及测试代码发布）。

数据集构成与下载

数据集分为三类，均通过百度网盘提供下载。

1. 混合训练数据集

• 描述: 未分类的混合训练数据。
• 下载地址: https://pan.baidu.com/s/1SrZBFBFbf5H43SgwtP7Y4w?pwd=1234

2. 分类训练数据集

• 描述: 经过分类的训练数据。
• 下载地址: https://pan.baidu.com/s/1ZA8VdTUrKon4iIPp_8mz6g?pwd=1234

3. 测试数据集

• 描述: 用于模型测试的数据集。
• 下载地址: https://pan.baidu.com/s/1spk8-8PTOa_o8b0dI4beqA?pwd=1234

数据集背景与方法

• 核心方法: 该数据集是通过检索增强生成（RAG）技术进行数据集蒸馏的产物。
• 技术流程: 通过多级相似性搜索检索与查询图像一致的真实雨景参考图像，并利用视觉语言模型评估其质量，从而从公共数据集中蒸馏出可靠的样本。
• 应用目标: 用于支持统一的图像去雨任务，旨在通过多目标重加权优化策略，实现跨多种雨退化类型的平衡学习和鲁棒性能。

相关资源

• 可视化结果: 提供了PReNet、RCDNet、MPRNet、Restormer、IDT、DRSformer、RLP、MSDT、NeRD-Rain、URIR以及UniRain等方法在DRS、DRD、NRS、NRD四种测试集上的去雨结果对比，可通过对应的百度网盘链接获取。
• 性能评估: 提供了详细的性能评估数据（以表格形式呈现，具体内容见原页面图表）。
• 测试代码: 已随数据集一同发布。

使用与引用

• 建议引用: 若使用本数据集或相关研究，建议引用提供的BibTeX条目。
• 联系方式: 如有疑问，可通过邮箱 [e-mail] 联系作者。

搜集汇总

数据集介绍

构建方式

在图像去雨这一底层视觉任务中，高质量训练数据的匮乏长期制约着模型的泛化能力。RainRAG数据集的构建采用了创新的检索增强生成技术，其核心流程通过多层级相似性搜索，从公开数据源中检索与查询图像语义一致的真实雨天参考样本。随后，利用视觉语言模型对检索结果进行质量评估，从而蒸馏出可靠的数据，有效融合了真实场景的复杂雨纹退化与数据本身的可靠性。

特点

该数据集显著区别于传统合成数据，其特点在于紧密贴合真实世界的雨退化多样性。数据集不仅提供了混合训练集，还贴心地提供了按雨型分类的训练集，涵盖了动态雨纹、静态雨痕等多种退化类型。这种精心设计的结构为研究不同雨况下的去雨算法提供了坚实基础，有助于推动模型在复杂真实场景中的鲁棒性评估与性能提升。

使用方法

对于致力于图像恢复的研究者而言，RainRAG数据集的使用清晰而直接。用户可根据需求下载混合或分类版本的数据集进行模型训练。在评估阶段，数据集提供了标准化的测试集，便于与PReNet、Restormer等主流去雨方法进行公平的性能对比。通过遵循项目提供的代码框架，研究者能够高效地复现基准结果，并在此基础上开展进一步的算法创新与验证工作。

背景与挑战

背景概述

图像去雨作为底层视觉领域的关键任务，旨在从受雨纹退化的图像中恢复清晰内容，对自动驾驶、视频监控等应用具有重要价值。RainRAG数据集由大连工业大学与南京理工大学的研究团队于2026年创建，伴随CVPR 2026论文《UniRain: Unified Image Deraining with RAG-based Dataset Distillation and Multi-objective Reweighted Optimization》发布。该数据集通过检索增强生成技术对公开数据集进行蒸馏，构建了高质量且多样化的训练样本，致力于解决现有去雨数据集中雨纹类型单一、真实性与多样性不足的核心问题，推动了统一去雨模型的发展。

当前挑战

在图像去雨领域，模型需应对复杂多变的雨纹形态，包括密集雨丝、雨雾混合及动态雨滴等退化类型，这对算法的泛化性与鲁棒性提出了严峻考验。RainRAG数据集构建过程中，研究团队面临从海量公开数据中筛选高质量样本的挑战，需通过多层级相似性检索确保雨纹场景的一致性，并借助视觉语言模型评估样本可靠性，以实现数据蒸馏的精确性与效率平衡。

常用场景

经典使用场景

在计算机视觉的底层视觉领域，图像去雨任务旨在消除雨滴、雨纹等退化因素对图像质量的影响。RainRAG数据集作为UniRain方法的核心组成部分，其经典使用场景在于为统一的图像去雨模型提供高质量的训练与评估基准。该数据集通过检索增强生成技术，从公开数据中蒸馏出与查询图像在内容与退化类型上高度一致的雨天参考样本，从而构建了一个涵盖多样雨态的大规模、高保真配对数据集合。研究人员可依托该数据集，系统性地训练和验证去雨算法在复杂真实雨景下的泛化能力与鲁棒性。

解决学术问题

长期以来，图像去雨研究面临数据质量参差不齐、退化类型单一且与现实场景失配的挑战。RainRAG数据集的构建，有效解决了这一领域的关键学术问题。它通过多层级相似性检索与视觉语言模型的质量评估，确保了样本的可靠性与多样性，为模型提供了贴近真实世界的雨退化分布。该数据集的意义在于推动了去雨任务从依赖合成数据向利用真实数据蒸馏的范式转变，其影响体现在促进了统一去雨框架的发展，使得单一模型能够同时处理动态雨纹、静态雨滴等多种退化类型，提升了学术研究的实用价值与可复现性。

衍生相关工作

RainRAG数据集的发布，为图像去雨乃至底层视觉领域注入了新的活力，并衍生出一系列经典研究工作。以UniRain为代表的统一去雨框架，创新性地融合了检索增强的数据蒸馏与多目标重加权优化策略，成为该数据集直接催生的核心成果。此外，数据集的高质量特性也激励了后续研究探索更高效的混合专家架构、跨模态质量评估方法以及针对特定雨型的自适应去雨算法。这些工作共同推动了去雨技术向更通用、更鲁棒的方向演进，形成了以数据驱动为核心的研究脉络。