Heron Island Coral Reef Dataset (HICRD)

Heron Island Coral Reef Dataset (HICRD) 是一个大规模的实际水下图像数据集，由联邦科学与工业研究组织创建，旨在评估现有水下图像恢复方法并支持新的深度学习方法的发展。该数据集包含9676张原始水下图像和2000张科学恢复的参考图像，分为未配对和配对训练集以及测试集。数据集通过精确的水参数（扩散衰减系数）生成参考图像，适用于监督和非监督水下图像恢复模型的训练。HICRD覆盖了多种水类型，特别关注珊瑚礁环境，为水下图像恢复提供了丰富的数据资源，以解决水下图像因吸收和散射造成的清晰度问题。Heron Island Coral Reef Dataset (HICRD) is a large-scale real-world underwater image dataset developed by the Commonwealth Scientific and Industrial Research Organisation (CSIRO). It is designed to evaluate existing underwater image restoration methods and support the advancement of novel deep learning approaches. The dataset comprises 9,676 raw underwater images and 2,000 scientifically restored reference images, which are categorized into unpaired training set, paired training set, and a test set. Reference images are generated with precise water parameters including the diffusion attenuation coefficient, rendering the dataset suitable for training both supervised and unsupervised underwater image restoration models. HICRD covers a diverse range of water types, with a particular focus on coral reef environments, providing a rich data resource for underwater image restoration tasks to mitigate the clarity degradation issues caused by light absorption and scattering in underwater scenarios.

原始信息汇总

Contrastive UnderWater Restoration (CWR) 数据集概述

数据集信息

数据集名称

Heron Island Coral Reef Dataset (HICRD)

数据集内容

• 图像数量:
  • 低质量图像：6003张
  • 高质量图像：3673张
  • 恢复图像：2000张
• 训练集:
  • 未配对训练集：低质量图像（trainA）和恢复图像（trainB）
  • 配对训练集：高质量图像（trainA_paired）和对应的恢复图像（trainB_paired）
• 测试集:
  • 高质量图像（testA）：300张
  • 配对恢复图像（testB）：300张
• 图像分辨率: 1842 x 980

数据集下载

• 下载链接: HICRD数据集
• 下载步骤:
  1. 点击下载链接。
  2. 选择“Download all files via WebDAV”。
  3. 输入电子邮件地址并请求文件。
  4. 验证电子邮件并接收进一步下载指令。

数据集特点

• 包含8个不同站点，其中6个站点提供水参数（漫射衰减系数）。
• 提供元数据，包括水参数和相机传感器响应。

数据集版权

• 版权归属：CSIRO（澳大利亚联邦科学与工业研究组织）

引用信息

• 会议论文:

  • 标题: Single Underwater Image Restoration by Contrastive Learning
  • 作者: Junlin Han, Mehrdad Shoeiby, Tim Malthus, Elizabeth Botha, Janet Anstee, Saeed Anwar, Ran Wei, Lars Petersson, Mohammad Ali Armin
  • 会议: IEEE International Geoscience and Remote Sensing Symposium (IGARSS) 2021

• 期刊论文:

  • 标题: Underwater Image Restoration via Contrastive Learning and a Real-world Dataset
  • 作者: Junlin Han, Mehrdad Shoeiby, Tim Malthus, Elizabeth Botha, Janet Anstee, Saeed Anwar, Ran Wei, Mohammad Ali Armin, Hongdong Li, Lars Petersson
  • 期刊: Remote Sensing
  • 年份: 2022

搜集汇总

数据集介绍

构建方式

Heron Island Coral Reef Dataset (HICRD) 的构建过程始于对大堡礁多个采样点的实地数据采集，涵盖了不同水深、珊瑚密度和水体条件的环境。数据采集使用了CSIRO的Underwater Spectral Instrument Platform (CORYCAEUS)，并通过MQ022CG-CM相机捕捉RGB图像。为了生成参考恢复图像，研究团队测量了水体的漫衰减系数，并基于这些参数生成了2000张高质量的参考恢复图像。数据集分为配对和不配对两部分，分别用于监督和非监督学习模型的训练。

使用方法

HICRD 数据集可用于训练和评估水下图像恢复模型，支持监督和非监督学习方法。研究者可以使用配对数据集进行监督学习，利用高质量图像及其对应的参考恢复图像进行模型训练。对于非监督学习，数据集提供了低质量图像和参考恢复图像的非配对数据。此外，数据集还可用于评估现有方法的性能，并支持开发新的基于深度学习的水下图像恢复技术。

背景与挑战

背景概述

Heron Island Coral Reef Dataset (HICRD) 是由澳大利亚联邦科学与工业研究组织 (CSIRO) 的研究团队于2018年创建的，旨在解决水下图像恢复领域的关键问题。该数据集包含了从澳大利亚大堡礁的多个采样点收集的9676张原始水下图像，以及通过精确的水参数（如漫衰减系数）生成的2000张参考恢复图像。HICRD的构建不仅为现有的水下图像恢复方法提供了基准测试平台，还为基于深度学习的新方法的开发提供了支持。该数据集的发布填补了水下图像恢复领域缺乏大规模真实世界数据集的空白，推动了水下图像恢复技术的发展，尤其是在无监督学习框架下的应用。

当前挑战

HICRD 数据集的构建面临多重挑战。首先，水下图像的采集受到光线吸收、散射和折射几何失真的影响，导致图像质量严重下降。其次，构建大规模的真实水下图像数据集需要克服采集设备的技术限制，如水下光谱仪平台的复杂操作和数据采集的高难度。此外，生成高质量的参考恢复图像需要精确的水参数测量和复杂的图像恢复模型，这在实际操作中极具挑战性。最后，水下图像恢复领域的评估标准有限，现有的非参考方法主要针对水下图像增强，而非恢复，这使得评估恢复方法的有效性变得困难。

常用场景

经典使用场景

Heron Island Coral Reef Dataset (HICRD) 主要用于水下图像恢复任务，特别是在水下图像增强和恢复领域。该数据集包含6003张原始水下图像和2000张经过科学方法恢复的参考图像，适用于无监督和有监督的深度学习模型训练。通过对比学习框架，HICRD能够帮助模型学习从原始水下图像到恢复图像的映射，从而提升水下图像的清晰度和色彩还原度。

解决学术问题

HICRD 解决了水下图像恢复领域中缺乏大规模真实数据集的问题。传统的水下图像恢复方法依赖于先验知识和人工假设，而这些方法在复杂的水下环境中往往表现不佳。HICRD通过提供大规模的真实水下图像和科学恢复的参考图像，为研究人员提供了一个标准化的评估平台，推动了基于深度学习的水下图像恢复技术的发展。

实际应用

HICRD 在实际应用中具有广泛的应用前景，特别是在海洋科学和海洋工程领域。例如，水下机器人、珊瑚礁监测和海底电缆检查等任务都需要清晰的水下图像。通过使用HICRD训练的模型，可以有效提升水下图像的质量，帮助研究人员更好地理解水下环境，并为海洋资源的保护和管理提供支持。

数据集最近研究

最新研究方向

近年来，Heron Island Coral Reef Dataset (HICRD) 在水下图像恢复领域引起了广泛关注。该数据集通过构建大规模的真实水下图像数据集，为水下图像恢复方法的评估和深度学习模型的开发提供了重要支持。研究者们利用对比学习和生成对抗网络（GAN）等先进技术，提出了一种基于无监督图像到图像翻译框架的水下图像恢复方法。该方法通过最大化原始图像与恢复图像之间的互信息，显著提升了水下图像的恢复效果。此外，HICRD数据集的公开为水下图像恢复领域的研究提供了新的基准，推动了该领域的前沿发展，尤其是在海洋科学和海洋工程中的应用，如珊瑚礁监测和水下机器人操作等。

相关研究论文

• Underwater Image Restoration via Contrastive Learning and a Real-world Dataset

  联邦科学与工业研究组织 · 2021年