Awesome-Nighttime-Enhancement

该合集专注于夜间图像增强领域，收集了包括夜间光效应抑制、去雾/去雾等任务的数据集资源，涵盖了多个公开数据集链接，如光效应数据和GTA5夜间雾数据，并整理了相关论文、代码和指标。

This collection focuses on the field of nighttime image enhancement. It collects dataset resources for tasks including nighttime light effect suppression, dehazing and other related tasks, covers links to multiple public datasets such as light effect datasets and GTA5 nighttime fog datasets, and organizes relevant papers, code and evaluation metrics.

原始信息汇总

数据集详情总结

项目名称：Awesome-Nighttime-Enhancement
项目地址：https://github.com/jinyeying/Awesome-Nighttime-Enhancement

该项目汇集了近期夜间增强低层视觉工作的资源，包括数据集、论文、代码和评估指标，涵盖以下四大方向：

1. 夜间光效抑制

• 数据集：Light-effects data（Dropbox 链接：https://www.dropbox.com/sh/ro8fs629ldebzc2/AAD_W78jDffsJhH-smJr0cNSa?dl=0）
• 代表性方法：
  • 无监督：ECCV2022《Unsupervised Night Image Enhancement: When Layer Decomposition Meets Light-Effects Suppression》
  • 半监督：CVPR2021《Nighttime Visibility Enhancement by Increasing the Dynamic Range and Suppression of Light Effects》
  • 零样本：IJCAI2022《From Generation to Suppression: Towards Effective Irregular glow suppression for Nighttime Visibility Enhancement》

2. 夜间去雾/除雾

• 数据集：GTA5 Nighttime Fog Data（Dropbox 链接：https://www.dropbox.com/sh/gfw44ttcu5czrbg/AACr2GZWvAdwYPV0wgs7s00xa?dl=0）
• 代表性方法：
  • 半监督：ACMMM2023《Enhancing Visibility in Nighttime Haze Images Using Guided APSF and Gradient Adaptive Convolution》、ECCV2020《Nighttime Defogging Using High-Low Frequency Decomposition and Grayscale-Color Networks》
  • 有监督：ACMMM2020《Nighttime Dehazing with a Synthetic Benchmark》、PCM2018《HDP-Net: Haze Density Prediction Network for Nighttime Dehazing》
  • 传统方法：CVPR2017《Fast Haze Removal for Nighttime Image using Maximum Reflectance Prior》、ICCV2015《Nighttime Haze Removal with Glow and Multiple Light Colors》
• 综述：Archives of Computational Methods in Engineering,2021《Nighttime Image‑Dehazing: A Review and Quantitative Benchmarking》

3. 夜间鬼影与眩光去除

• 代表工作：
  • CVPR2023《Nighttime Smartphone Reflective Flare Removal Using Optical Center Symmetry Prior》
  • NeurIPS Dataset 2022《Flare7K: A Phenomenological Nighttime Flare Removal Dataset》
  • arXiv2023《Flare7K++: Mixing Synthetic and Real Datasets for Nighttime Flare Removal and Beyond》
  • ISCAS2023《Removing Image Artifacts From Scratched Lens Protectors》

4. 夜间去雨

• 代表工作：AAAI2024《NightRain: Nighttime Video Deraining via Adaptive-Rain-Removal and Adaptive-Correction》

搜集汇总

数据集介绍

构建方式

该数据集构建方式依托于对夜间视觉增强领域的系统性文献梳理与资源整合。通过广泛搜集近年来发表于顶级会议与期刊的学术成果，如ECCV、CVPR、IJCAI等，将其中公开的夜间图像增强数据集、算法代码及评估指标进行归纳分类。数据集资源涵盖夜间光效抑制、去雾、鬼影与眩光去除、去雨等多个子任务，每个子任务下均按方法类型（如无监督、半监督、零样本、传统方法）划分，并附有对应的数据下载链接与论文引用，形成结构化的知识图谱。

特点

该数据集的核心特点在于其全面性与层次分明的组织架构。它不仅囊括了多样化的夜间图像退化场景，如光晕、雾霾、炫光及雨痕，还同步收录了从传统图像处理到前沿深度学习（包括无监督、半监督、零样本学习）的多种解决方案。每个子任务均独立成章，并清晰标注方法类型、发表年份及出处，便于研究者快速定位特定领域的最新进展。此外，数据集整合了Dropbox等云存储中的真实与合成数据，以及GTA5模拟的夜间雾图，为算法训练与评估提供了丰富的素材。

使用方法

使用该数据集时，研究者可根据具体研究目标选择对应子任务板块。例如，从事夜间去雾的研究者可直接访问“Nighttime Dehazing/Defogging”章节，从中获取GTA5夜间雾图数据，并参考所列的监督或无监督方法代码进行实验。数据集中的每个论文条目均附有arXiv或OpenAccess链接，代码仓库则托管于GitHub，支持直接克隆与复现。对于数据下载，Dropbox链接提供了即时的数据获取途径，适用于模型训练与性能验证。研究者还可通过对比不同方法（如传统算法与深度模型）在相同数据上的表现，评估其优劣。

背景与挑战

背景概述

夜间图像增强是计算机视觉领域一项极具挑战性的任务，旨在提升低光照、复杂光照及大气散射条件下图像的视觉质量与可理解性。该领域的研究可追溯至早期基于物理模型的传统方法，而近年来深度学习技术的兴起推动了其快速发展。Awesome-Nighttime-Enhancement数据集与论文合集由Yeying Jin等研究人员创建，系统收录了涵盖夜间光效应抑制、去雾、鬼影与耀斑去除以及去雨等子任务的最新成果。该合集的建立不仅为研究者提供了丰富的基准数据集与代码资源，更通过梳理从ECCV、CVPR到AAAI等顶级会议的代表性工作，深刻推动了夜间视觉增强技术的标准化与可复现性，对智能监控、自动驾驶及手机摄影等应用领域产生了深远影响。

当前挑战

夜间图像增强面临的核心挑战在于光照条件的极端非均匀性与复杂退化模式的耦合。具体而言，夜间场景常伴随强光源导致的炫光、光晕及耀斑，这些效应在物理上与雾霾、雨滴等散射现象交织，使得传统单一退化模型难以适用。构建高质量真实夜间数据集本身亦困难重重：真实场景中难以获取无退化参考图像，而合成数据与真实环境之间存在显著域差异，导致模型泛化能力不足。此外，现有方法在处理动态场景、多光源以及低信噪比时性能退化严重，亟需发展能够解耦多种退化因素并自适应增强的高效网络架构。

常用场景

经典使用场景

在计算机视觉与图像增强领域，夜间图像质量退化是制约视觉系统性能的核心瓶颈之一。Awesome-Nighttime-Enhancement数据集汇集了涵盖光晕抑制、去雾、去鬼影、去眩光及去雨等多种夜间低光照退化场景的丰富资源，为研究者提供了标准化的训练与评测基准。其最为经典的使用场景在于构建和验证无监督或半监督的夜间图像增强模型，例如通过层分解与光效抑制策略实现自然光照恢复，或在合成与真实混合数据上训练面向夜间去雾的深度网络，从而有效提升暗光环境下的图像可见度与细节保真度。

衍生相关工作

围绕Awesome-Nighttime-Enhancement数据集，学术界涌现了一系列具有影响力的衍生工作。在无监督学习方面，ECCV 2022提出的基于层分解与光效抑制的夜间增强网络成为经典范例。在半监督框架下，CVPR 2021的工作通过增加动态范围并抑制光效显著提升了夜间可见度。针对夜间去雾，ACMMM 2023发表的利用引导APSF与梯度自适应卷积的方法，以及NightHazeFormer等基于先验查询Transformer的模型，均以该数据集为基准取得了突破。此外，NeurIPS 2022发布的Flare7K数据集及其后续扩展Flare7K++，专门针对夜间眩光去除任务，进一步拓展了该数据集的生态与应用边界。

数据集最近研究

最新研究方向

夜间视觉增强领域正迎来多维度突破，从早期的单一去雾任务拓展至光晕抑制、眩光消除及雨纹去除等复杂光照干扰的联合处理。最新研究聚焦于无监督与零样本学习范式，例如ECCV 2022提出的层分解与光效应抑制结合的方法，无需配对数据即可实现夜间图像增强。同时，针对智能手机摄影中常见的反射眩光问题，CVPR 2023利用光学中心对称先验实现了高效去除，而NeurIPS 2022发布的Flare7K数据集则为夜间眩光消除提供了大规模基准。此外，AAAI 2024的NightRain工作首次将视频去雨任务延伸至夜间场景，通过自适应校正机制应对动态雨纹与低光照的耦合挑战。这些进展不仅推动了低层视觉技术在安防、自动驾驶等领域的实用化，更揭示了夜间场景下物理模型与数据驱动方法融合的巨大潜力。