LMHaze

LMHaze数据集由北京理工大学创建，是一个大规模、高质量的真实世界去雾数据集，包含5040对高分辨率的模糊和清晰图像，涵盖多种室内外环境和不同雾浓度。数据集大小超过现有最大真实世界去雾数据集的25倍，图像分辨率高达5472×3648。数据集创建过程中，通过专业的雾生成器和静态场景采集，确保了图像对齐和雾浓度的多样性。此外，数据集还提供了多类型的手工标注，包括目标检测、语义分割和图像描述，旨在评估去雾方法在下游任务中的性能，解决现有数据集在雾浓度分布和场景多样性方面的不足。

The LMHaze dataset, created by Beijing Institute of Technology, is a large-scale, high-quality real-world dehazing dataset. It contains 5040 pairs of high-resolution hazy and haze-free images covering diverse indoor and outdoor environments and varying fog concentrations. The dataset is over 25 times larger than the current largest real-world dehazing dataset, with an image resolution up to 5472×3648. During its creation, professional fog generators and static scene collection were employed to ensure image alignment and the diversity of fog concentrations. Furthermore, the dataset provides multiple types of manual annotations including object detection, semantic segmentation, and image captioning, aiming to evaluate the performance of dehazing methods in downstream tasks and address the shortcomings of existing datasets in terms of fog concentration distribution and scene diversity.

搜集汇总

数据集介绍

构建方式

LMHaze数据集的构建方式体现了对真实世界去雾需求的深刻理解。该数据集通过在多样化的室内外环境中捕捉高分辨率的雾霾图像和对应的清晰图像，构建了一个大规模、高质量的真实世界去雾数据集。具体而言，研究团队使用专业雾霾生成器在静态场景中生成不同强度的雾霾，并通过时间间隔控制捕捉雾霾从无到浓的多个中间状态。此外，为了确保图像对齐，所有拍摄过程中相机设置保持固定，最终形成了一个包含5,040对高分辨率图像的庞大数据集，显著超越了现有同类数据集的规模。

特点

LMHaze数据集的显著特点在于其规模大、分辨率高以及雾霾强度多样性。该数据集不仅包含了超过5,000对高分辨率图像，还涵盖了从轻度到密集的8种不同雾霾强度，为模型训练提供了丰富的数据支持。此外，数据集还提供了多类型的手工标注，包括对象检测、语义分割和图像描述，这些标注为评估去雾方法在下游任务中的表现提供了便利。这些特性使得LMHaze成为推动真实世界图像去雾研究的重要资源。

使用方法

LMHaze数据集的使用方法多样，适用于多种图像去雾研究和应用场景。研究者可以利用该数据集进行深度学习模型的训练和验证，特别是那些需要真实世界图像对的去雾算法。此外，数据集的多强度雾霾图像和丰富的语义标注，使得它非常适合用于评估去雾方法在不同雾霾条件下的性能，以及在对象检测、语义分割等下游任务中的表现。通过这些应用，LMHaze数据集为提升图像去雾技术的实际应用效果提供了坚实的基础。

背景与挑战

背景概述

图像去雾技术近年来引起了广泛关注，特别是在基于学习的去雾方法中，通常需要配对的雾霾图像和相应的无雾图像进行训练。然而，收集真实世界的配对图像是一项艰巨的任务，这限制了现有方法的发展。尽管一些研究通过使用合成数据集或小规模真实数据集部分缓解了这一问题，但现有数据集中的雾霾强度分布偏差和场景同质性限制了这些方法的泛化能力，特别是在处理之前未见过的雾霾强度图像时。为此，张瑞坤等人于2024年在北京理工大学提出并创建了LMHaze数据集，这是一个大规模、高质量的真实世界数据集。LMHaze包含了在多样化的室内外环境中捕获的配对雾霾和无雾图像，涵盖了多种场景和雾霾强度。该数据集包含超过5000对高分辨率图像，其规模超过了现有最大真实世界去雾数据集的25倍。

当前挑战

LMHaze数据集的构建过程中面临多项挑战。首先，收集真实世界的配对雾霾和无雾图像是一项技术难题，尤其是在户外环境中，确保图像对齐和质量的一致性极具挑战性。其次，现有数据集在雾霾强度多样性方面存在局限，导致模型在处理不同雾霾强度的图像时性能下降。此外，数据集的语义标注稀缺，这给评估去雾方法在下游任务（如目标检测、语义分割和图像描述）中的效果带来了不便。因此，构建一个大规模、高质量的真实世界去雾数据集对研究社区来说是一项既具挑战性又极具价值的工作。

常用场景

经典使用场景

LMHaze数据集在图像去雾领域中被广泛应用于训练和评估去雾算法。其经典使用场景包括但不限于：通过提供大量高质量的室内外雾霾图像对，研究人员可以训练深度学习模型以准确地从雾霾图像中恢复出清晰图像。此外，LMHaze数据集的多强度雾霾覆盖特性使得模型能够在不同雾霾强度下进行泛化测试，从而提高其在实际应用中的鲁棒性。

衍生相关工作

基于LMHaze数据集，研究者们开发了多种先进的去雾算法，如MoE-Mamba框架，该框架通过动态调整模型参数以适应不同雾霾强度，显著提升了去雾效果。此外，LMHaze数据集还激发了多模态模型在去雾任务中的应用研究，如使用大型多模态模型（LMM）进行去雾图像的评估，进一步推动了去雾技术的发展和创新。

数据集最近研究

最新研究方向

在图像去雾领域，LMHaze数据集的最新研究方向主要集中在提升模型的泛化能力和处理不同雾浓度图像的能力。随着深度学习技术的发展，研究人员越来越关注如何在真实世界中有效去雾，而LMHaze数据集因其大规模、高分辨率和多雾浓度特性，成为这一研究的重要基石。前沿研究不仅探索了基于混合专家模型（MoE-Mamba）的动态参数调整方法，还引入了大型多模态模型（LMM）进行去雾效果的评估，以模拟人类视觉感知。这些研究不仅提升了去雾算法在实际应用中的表现，还为下游视觉任务如目标检测和语义分割提供了更高质量的预处理图像，进一步推动了图像去雾技术的发展。

相关研究论文

• LMHaze: Intensity-aware Image Dehazing with a Large-scale Multi-intensity Real Haze Dataset

  北京理工大学 · 2024年