HighREV

HighREV数据集包含原始事件数据和经过处理的体素格数据，用于基于事件的去模糊挑战。

The HighREV dataset encompasses images and event data for event camera deblurring, suitable for model training and evaluation.

原始信息汇总

NTIRE 2025 基于事件的去模糊挑战数据集概述

数据集基本信息

• 名称: HighREV数据集
• 用途: 基于事件的图像去模糊研究
• 关联会议: CVPR 2025 NTIRE挑战赛

数据集下载

测试集

• 模糊图像和原始事件数据:
  • CodaLab下载链接: https://codalab.lisn.upsaclay.fr/my/datasets/download/3ed362b8-9084-414d-a5f3-d906708773cf
  • Kaggle下载链接: https://www.kaggle.com/datasets/lei0331/highrev-testset
• 体素输入(可选):
  • CodaLab下载链接: https://codalab.lisn.upsaclay.fr/my/datasets/download/bf89f778-353a-4a51-9dba-69894de81db0
  • Kaggle下载链接: https://www.kaggle.com/datasets/lei0331/highrev-testset

训练集和验证集

• 原始事件数据:
  • 下载链接: https://codalab.lisn.upsaclay.fr/my/datasets/download/9f275580-9b38-4984-b995-1e59e96b6111
• 处理后的体素网格(可选):
  • 下载链接: https://codalab.lisn.upsaclay.fr/my/datasets/download/c83e95ab-d4e6-4b9f-b7de-e3d3b45356e3

数据集结构

--HighREV |----train | |----blur | | |----SEQNAME_%5d.png | |----event | | |----SEQNAME_%5d_%2d.npz | |----sharp | | |----SEQNAME_%5d.png |----val ...

数据处理工具

• 事件转体素工具: ./basicsr/utils/npz2voxel.py
• 数据集处理代码:
  • 原始事件处理: ./basicsr/data/npz_image_dataset.py
  • 体素网格处理: ./basicsr/data/voxelnpz_image_dataset.py

训练与测试

训练

• 单GPU训练: bash python ./basicsr/train.py -opt options/train/HighREV/EFNet_HighREV_Deblur.yml

• 多GPU训练: bash python -m torch.distributed.launch --nproc_per_node=4 --master_port=4321 basicsr/train.py -opt options/train/HighREV/EFNet_HighREV_Deblur.yml --launcher pytorch

测试

bash python3 basicsr/test.py -opt options/test/HighREV/EFNet_HighREV_Deblur.yml

注意事项

• 建议使用HighREV数据集进行训练
• 为保持公平性，请勿使用验证集的GT图像进行训练
• 排名靠前的参与者将获得奖励并被邀请在CVPR 2025 NTIRE研讨会上展示解决方案

引用文献

bibtex @inproceedings{sun2023event, title={Event-based frame interpolation with ad-hoc deblurring}, author={Sun, Lei and Sakaridis, Christos and Liang, Jingyun and Sun, Peng and Cao, Jiezhang and Zhang, Kai and Jiang, Qi and Wang, Kaiwei and Van Gool, Luc}, booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition}, pages={18043--18052}, year={2023} }

@inproceedings{sun2022event, title={Event-Based Fusion for Motion Deblurring with Cross-modal Attention}, author={Sun, Lei and Sakaridis, Christos and Liang, Jingyun and Jiang, Qi and Yang, Kailun and Sun, Peng and Ye, Yaozu and Wang, Kaiwei and Gool, Luc Van}, booktitle={European Conference on Computer Vision}, pages={412--428}, year={2022}, organization={Springer} }

搜集汇总

数据集介绍

构建方式

HighREV数据集的构建，是以事件相机捕获的动态场景为对象，通过精心挑选并整合原始事件数据与对应清晰图像，形成了包含模糊图像、事件数据以及清晰图像的三元组。数据集涵盖了多种场景和运动模式，旨在为基于事件的去模糊研究提供高质量的训练和验证资源。

使用方法

使用HighREV数据集时，用户可从提供的链接下载原始事件数据或预处理的体素格数据。数据集的结构清晰，便于用户根据自己的需求进行加载和处理。对于模型训练，数据集相关的代码已集成在basicsr代码库中，用户可直接利用该库进行模型的开发和训练。同时，数据集的使用还遵循了一定的规范，如不得使用验证集的GT图像进行训练，以保持评估的公正性。

背景与挑战

背景概述

HighREV数据集是在计算机视觉与图像处理领域的一个重要研究成果，由Sun Lei等研究人员于2023年提出，并在CVPR 2025上作为NTIRE 2025挑战赛的一部分进行发布。该数据集旨在解决基于事件的图像去模糊问题，为相关领域的研究提供了高质量的数据资源。HighREV数据集的构建集合了多方面的技术，旨在通过事件相机捕获的图像序列来训练模型，实现对运动模糊图像的高效去模糊处理，对图像处理技术的发展产生了显著影响。

当前挑战

HighREV数据集在构建和应用过程中面临的挑战主要包括：1）领域问题上的挑战，即如何利用事件相机捕获的信息进行有效的图像去模糊处理，特别是在动态场景下保持图像质量；2）数据集构建过程中的挑战，包括事件数据的采集、处理以及转换成适用于训练的数据格式等。这些挑战要求研究人员在算法设计、数据处理和模型训练等方面进行深入研究和创新。

常用场景

经典使用场景

HighREV数据集针对基于事件的去模糊研究领域，提供了丰富的训练与验证资源。其经典使用场景在于，研究者可以采用该数据集对基于事件的图像进行训练，进而实现对运动模糊的图像进行有效的去模糊处理，以恢复图像的清晰度。

解决学术问题

该数据集解决了传统图像处理中对于动态场景去模糊的难题，通过提供与事件相机捕获的图像相关的数据，使得研究者能够更好地理解和利用事件的时空特性，从而提高去模糊算法的性能，降低运动模糊对图像质量的影响。

实际应用

在实际应用中，HighREV数据集的应用场景广泛，包括但不限于智能监控、自动驾驶、机器人视觉等领域，其中对动态场景的清晰捕捉和处理对于提升系统性能至关重要。

数据集最近研究

最新研究方向

HighREV数据集近期研究主要聚焦于基于事件相机图像的帧插值与去模糊技术。该数据集为学术界提供了评价此类算法的标准平台，其独特的结构包含了模糊图像、事件数据以及清晰图像，为研究人员提供了丰富的训练与验证资源。当前，研究人员致力于设计融合事件与图像的网络结构，以实现高性能的图像去模糊效果，目标是在确保图像质量的同时，提升算法的性能指标（如PSNR）。此外，该领域的研究对于提升计算机视觉系统在动态场景下的表现具有重要意义，特别是在自动驾驶、机器人视觉等领域。