BurstDeflicker

BurstDeflicker是一个用于动态场景中闪烁去除的多帧图像数据集。该数据集由三个互补的数据收集策略构建：首先，使用Retinex理论开发了一种合成流程，能够生成具有多样性和真实感的闪烁图像；其次，从不同场景中捕获了4000个真实世界的闪烁图像，帮助模型更好地理解真实闪烁特征；最后，由于动态场景的非重复性，提出了绿幕方法来将运动引入图像对中，同时保持真实的闪烁退化。BurstDeflicker数据集包括无限数量的合成图像、4000个真实世界的闪烁图像对以及3690个从真实静态数据生成的绿幕动态图像对。

搜集汇总

数据集介绍

构建方式

在动态场景去闪烁研究领域，BurstDeflicker数据集通过三重互补策略构建而成。基于Retinex理论的合成方法通过建模环境光与闪烁光源的交互作用，支持对闪烁强度、区域和频率等关键属性的可控调节，生成具有全波整流、半波整流和PWM整流等不同模式的多样化闪烁图像。真实场景采集环节使用专业相机系统在369个静态场景中捕获4000张对齐图像对，通过短曝光捕捉闪烁特征与长曝光获取无闪烁参考。针对动态场景不可复现的挑战，创新性地采用绿幕合成技术，将VideoMatte240K数据集中的动态前景与真实闪烁背景融合，构建出3690组包含真实运动与闪烁退化的动态图像对。

使用方法

在模型训练流程中，该数据集支持端到端的去闪烁网络优化。预训练阶段采用合成数据初始化网络参数，通过Retinex理论构建的闪烁-无闪烁图像对建立基础映射关系。微调阶段依次使用真实静态数据与动态绿幕数据，逐步提升模型对真实闪烁特征和运动场景的适应能力。训练时采用多帧输入策略，随机采样连续帧序列并施加仿射变换模拟手持抖动，通过通道拼接实现时空特征融合。测试评估涵盖静态测试集与真实动态序列，结合全参考指标与无参考质量评价体系，全面验证模型在真实场景中的去闪烁性能与泛化能力。

背景与挑战

背景概述

BurstDeflicker数据集由南开大学与OPPO研究院等机构于2025年联合构建，旨在解决动态场景中交流电照明引发的图像闪烁问题。该数据集针对滚动快门相机在短曝光条件下捕获图像时产生的条带状亮度不均现象，通过融合合成数据、真实静态场景采集与绿幕动态合成三种策略，构建了首个面向多帧闪烁消除任务的大规模基准。其创新性地引入基于Retinex理论的合成方法，重新定义了闪烁消除的物理模型，为计算机视觉领域的高动态范围成像与视频修复研究提供了重要支撑。

当前挑战

该数据集需应对双重挑战：在领域问题层面，闪烁消除需区分真实场景中的运动伪影与周期性亮度波动，传统单帧方法因缺乏时序信息难以恢复严重退化区域；在构建过程中，动态场景的非重复性导致真实闪烁-无闪烁图像对难以获取，现有合成数据存在域差距与模式单一性问题。为此，研究团队通过绿幕合成技术嵌入真实运动，并设计多帧输入架构以利用时序相关性，但剧烈运动导致的帧间错位仍可能限制模型性能。

常用场景

解决学术问题

该数据集有效解决了计算机视觉领域中因交流电源照明与卷帘快门相机相互作用导致的闪烁伪影问题。通过提供大规模真实闪烁图像对，突破了传统单帧闪烁去除方法在区分闪烁与阴影区域时的局限性。基于Retinex理论的合成方法明确定义了闪烁去除的目标是调整瞬时闪烁光照至有效值而非完全消除，这一理论创新为多帧闪烁去除任务提供了更准确的数学建模基础，显著提升了模型在动态场景中的泛化能力。

实际应用

在实际应用层面，BurstDeflicker数据集支撑的闪烁去除技术已广泛应用于消费级数码摄影、安防监控和工业视觉检测等领域。在娱乐场所、灯光节等人工照明密集的环境中，该技术能有效恢复因闪烁退化的图像质量，保留珍贵场景的视觉细节。同时，消除闪烁伪影也显著提升了后续计算机视觉任务如目标检测与跟踪的可靠性，为自动驾驶和智能监控系统提供了更稳定的视觉输入保障。

数据集最近研究

最新研究方向

在动态场景图像处理领域，BurstDeflicker数据集推动了多帧闪烁消除技术的前沿探索。该数据集通过融合基于Retinex理论的合成方法、真实静态场景采集和绿幕动态合成三重策略，构建了首个针对动态场景的多帧闪烁消除基准。当前研究聚焦于利用时序信息解决单帧方法难以区分的运动伪影与闪烁退化问题，显著提升了在复杂光照环境下目标检测与跟踪等高层视觉任务的鲁棒性。该数据集的建立为克服传统硬件方案成本高昂、单帧方法泛化性不足等瓶颈提供了关键支撑，促进了消费级影像设备在娱乐场所、交通枢纽等高频闪烁场景中的实际应用突破。

相关研究论文

• 通过

  南开大学计算机学院, 鹏城实验室, 香港理工大学, OPPO研究院 · 2025年