Twilight Cowboy Dataset

该数据集是NTIRE 2026低光增强挑战赛（Twilight Cowboy）的核心资源，由竞赛组织者精心构建，旨在推动低光计算摄影研究。数据集包含585个真实场景，每个场景由5张手持拍摄的RAW图像与1张高质量参考图像组成，覆盖室内外夜间环境。创建时先通过三脚架拍摄270帧RAW影像，经强度对齐与像素级鲁棒均值估计生成无噪声参考，再手持拍摄并每隔十帧选取五幅输入，模拟自然手抖。该数据集专为多帧RAW图像对齐与去噪任务设计，旨在解决日常移动摄影中噪声与运动模糊的联合挑战。This dataset serves as the core resource for the NTIRE 2026 Low-Light Enhancement Challenge (Twilight Cowboy), meticulously developed by the competition organizers to promote research in low-light computational photography. It comprises 585 real-world scenes, each containing 5 handheld RAW images and one high-quality reference image, covering both indoor and outdoor nighttime environments. During dataset construction, 270 RAW frames were first captured with a tripod, and noise-free reference images were generated through intensity alignment and pixel-wise robust mean estimation. Subsequently, 5 input images were selected at every 10-frame interval from the handheld capture sessions to simulate natural camera shake. This dataset is specifically tailored for multi-frame RAW image alignment and denoising tasks, with the goal of addressing the combined challenge of noise and motion blur in everyday mobile photography.

搜集汇总

数据集介绍

构建方式

Twilight Cowboy Dataset的构建聚焦于真实世界低光场景的采集与高质量参考图像的生成。数据采集阶段，研究团队利用智能手机在固定参数（ISO 100、快门1/10秒、光圈f/1.8）下，首先通过三脚架远程触发捕获270帧RAW图像，以生成无噪声的参考图像；随后转为手持拍摄，模拟自然手抖条件下的连拍序列，从中均匀抽取五帧作为输入，形成具有不同程度失准的输入集。参考图像的生成借鉴了Smartphone Image Denoising Dataset的实践，通过强度对齐、像素级鲁棒均值估计（基于正态分布拟合）以及分位数归一化等步骤，确保参考图像具备低噪声和高视觉质量。整个数据集涵盖室内低光与室外夜间共585个真实场景，并为每个场景提供了RAW格式的输入帧、参考图像及设备元数据，为多帧低光增强研究提供了扎实的数据基础。

特点

该数据集的核心特点在于其真实性与挑战性。它直接面向手持拍摄下多帧RAW图像联合去噪与对齐的复杂任务，输入帧间不仅存在高噪声和混合光源等低光退化，还引入了由手抖造成的几何失准，这有别于传统假设完美对齐或仅处理RGB图像的数据集。数据规模达585个场景，覆盖室内外多样环境，且参考图像通过严格的统计方法生成，保证了质量。此外，数据集分为训练集、验证集和测试集，测试集未公开，确保了评测的公正性。这些特性使得数据集成为评估和推动夜间计算摄影算法发展的理想基准，尤其能够检验算法在真实噪声、运动模糊和光照变化下的鲁棒性。

使用方法

该数据集主要用于训练和评估多帧RAW域低光增强算法。使用时，研究者可将五个失准的RAW帧作为输入，目标输出为对应的干净RAW参考图像。数据集提供了标准的训练/验证/测试划分，并附有基线代码（基于ASpanFormer对齐和BM3D去噪），便于参与者快速上手。评测指标采用PSNR和SSIM，综合排名依据0.6*PSNR排名+0.4*SSIM排名，引导算法在保持结构相似性的同时优先提升峰值信噪比。由于数据集中于RAW域，算法需处理Bayer模式，可直接用于研究联合对齐与去噪、突发图像融合、以及低光增强等问题。此外，数据集的真实拍摄条件也为可迁移至移动端实际应用的方法提供了验证平台。

背景与挑战

背景概述

Twilight Cowboy Dataset由NTIRE 2026挑战赛组织者于2026年发布，旨在推动低光摄影中多帧RAW图像增强的研究。该数据集包含585个真实场景，涵盖室内低光和室外夜间条件，每个场景提供5张手持拍摄的未对齐RAW图像及一张静态三脚架拍摄的高质量参考图像。其核心研究问题为：在RAW域中联合解决噪声、混合光照和手持运动导致的几何不一致性，以实现从突发帧到单张干净图像的复原。该数据集填补了低光突发图像处理领域缺乏真实世界基准的空白，为评估对齐和去噪算法提供了标准化平台，并显著推动了智能手机低光成像技术的发展。

当前挑战

该数据集面临的挑战主要来自两个方面。在领域问题层面，低光环境下信号极弱，噪声水平高，且场景中常包含强光源和混合色温，同时手持拍摄引入的帧间运动导致图像几何错位，使得联合对齐与去噪成为一个高度复杂的逆问题。在构建过程中，需在RAW域进行数据采集，确保对齐、噪声分布和光照变化的真实性；同时，生成高质量参考图像需处理动态场景中的运动物体（如行驶中的汽车灯光）带来的亮度异常，并通过鲁棒统计方法去除离群帧。此外，评估需在私有测试集上进行，以提供无偏的性能比较，进一步增加了数据构建的难度。

常用场景

经典使用场景

Twilight Cowboy Dataset作为NTIRE 2026低光增强挑战赛的核心数据资源，主要用于多帧原始图像的低光增强研究。该数据集包含585个真实场景，涵盖室内低光和户外夜间条件，每个场景提供5幅手持拍摄且存在错位的RAW图像及对应的噪声-free地面真值。其经典使用场景在于推动突发图像序列的联合配准与去噪技术，要求算法直接在Bayer/RAW域中处理运动补偿和噪声抑制，以模拟实际手持拍摄中的挑战。研究者利用该数据集评估和比较不同方法的性能，特别是在混合光源、高噪声和动态范围极端的条件下，从而提升低光摄影的计算成像能力。

实际应用

在实际应用中，该数据集直接服务于智能手机等移动设备的低光摄影增强。通过训练和验证基于突发序列的图像去噪算法，该数据集支持开发能在手持条件下生成高质量低光照片的解决方案，改善用户在夜间或暗光环境下的拍摄体验。此外，该技术还可应用于监控系统、无人驾驶夜间感知、医学内窥成像等对低光图像质量有严苛要求的领域。其评估协议和基线方法为工业界提供了可复用的参考框架，加速了从学术研究到产品落地的转化过程。

衍生相关工作

Twilight Cowboy Dataset衍生了多种经典工作，包括冠军方案MiAlgo采用的双集成框架与流引导可变形对齐，以及DH ISP提出的噪声残差提取与噪声分布迁移策略。BAU-Vision的全局亮度校正与时间注意力融合、AXIOM的置信度感知融合、以及html5attention3的RestoRoBurr流水线等，均在该数据集上展现出显著性能提升。这些工作不仅推动了突发图像去噪技术的前沿进展，还催生了如DUSKAN等新型网络架构和高效推理方案，为后续研究提供了丰富的技术储备和比较基线，进一步巩固了该数据集作为低光增强领域重要benchmark的地位。