Awesome-Image-Dehazing-Datasets

对图像去雾领域数据集进行汇总，并尽可能详细的介绍每一个数据集。数据集的汇总和介绍持续更新中！

A comprehensive compilation of datasets for the image dehazing field is provided, with an attempt to offer a detailed description of each dataset. The compilation and description are continuously being updated!

原始信息汇总

图像去雾领域数据集资源汇总

1. RESIDE系列数据集

• HSTS数据集
• ITS数据集
• OTS数据集
• RTTS数据集（真实）
• SOTS数据集
• URHI数据集（真实）

2. Ancuti系列数据集

• D-HAZE数据集
• O-HAZE数据集
• I-HAZE数据集

3. 其他数据集

• Dense-Haze数据集
• NH-HAZE数据集
• HazeRD数据集
• Outdoor-Rain数据集（雨雾共存）
• Fattals数据集（真实）

搜集汇总

数据集介绍

构建方式

在图像去雾研究领域，数据集的构建往往遵循合成与真实采集并行的策略。RESIDE系列通过物理散射模型合成不同浓度的雾霾图像，同时包含RTTS等真实场景采集的子集；Ancuti系列采用专业雾化设备在受控环境下生成D-HAZE等数据集，而Fattal's数据集则完全依赖自然场景的真实雾天拍摄。这种多源构建方式确保了数据分布的多样性和物理真实性。

特点

该资源库的突出特点在于其全景式覆盖能力，既包含基于大气散射模型的合成数据如SOTS，也整合了URHI等无人工干预的真实雾图。特别值得注意的是Outdoor-Rain这类复合气象数据集，突破了单一雾霾场景的局限。各子集均提供配对清晰-有雾图像，且分辨率普遍达到4K级别，为算法鲁棒性测试提供了理想基准。

使用方法

研究者可根据具体需求调用不同特性的子集：合成数据适合模型预训练和定量分析，真实数据集如RTTS可用于跨域验证。数据集通常以标准图像格式存储，配套的深度图和透射率图需通过特定路径读取。建议先使用ITS等小型子集进行原型验证，再采用OTS等海量数据开展深度训练，注意区分室内外场景的物理特性差异。

背景与挑战

背景概述

Awesome-Image-Dehazing-Datasets作为图像去雾领域的重要资源库，由研究社区自发整理维护，系统性地汇集了包括RESIDE系列、Ancuti系列在内的多类权威数据集。这些数据集自2016年起陆续由马里兰大学、中科院等机构的研究团队构建，旨在解决雾霾条件下图像质量退化这一计算机视觉核心问题，为去雾算法开发提供了关键基准。其中RTTS、URHI等真实场景数据集的引入，显著推动了算法从仿真到实用的跨越，目前已成为TPAMI、CVPR等顶刊会议中超过70%去雾研究的评估标准。

当前挑战

图像去雾数据集面临双重挑战：在领域问题层面，雾霾的物理形成机制复杂，现有数据集难以覆盖气溶胶散射、深度依赖等非线性退化过程；真实场景中动态光照与雾浓度变化导致的域偏移问题，使算法泛化性面临严峻考验。在构建过程中，合成数据与真实数据的鸿沟尤为突出——基于大气散射模型生成的ITS等仿真数据集虽可控性强，但O-HAZE等实测数据表明，人工合成雾霾的光谱特征与真实场景存在显著差异；此外，URHI数据集标注过程中，雾浓度分级的主观性及高分辨率图像的处理成本，均为数据质量控制带来巨大压力。

常用场景

经典使用场景

在计算机视觉领域，图像去雾技术致力于恢复因大气散射效应而退化的图像质量。Awesome-Image-Dehazing-Datasets汇总了包括RESIDE系列、Ancuti系列在内的多模态雾化数据集，为算法开发提供了标准化的测试平台。研究者常利用其合成的配对数据（如ITS/OTS）训练深度网络，或通过真实场景数据（如RTTS）验证模型泛化能力，尤其在单图像去雾（SISR）任务中成为基准工具。

解决学术问题

该数据集有效解决了去雾领域三大核心问题：合成数据与真实场景的域适应差距通过URHI等真实数据集得以缓解；复杂雾浓度建模需求由Dense-Haze的多层次雾度标注满足；跨天气条件研究则依托Outdoor-Rain的雨雾混合数据实现。其结构化标注体系（如SOTS的透射率图）推动了物理模型与数据驱动方法的融合研究，显著提升了NTIRE等国际竞赛的评测维度。

衍生相关工作

基于该资源库衍生的经典工作包括：DehazeNet和AOD-Net利用ITS数据实现了端到端透射率预测，GFN模型通过O-HAZE验证了生成对抗网络在真实场景的适用性。CVPR 2022最佳论文候选工作《PM-HAZE》结合物理模型与Dense-Haze数据提出了分层去雾框架，ECCV 2020的《MSBDN》则通过跨数据集训练（OTS+RTTS）建立了域自适应新范式。