SurgClean

SurgClean涉及多类型图像恢复任务，即去烟、去雾和去溅。它包含1,020张多类型内窥镜图像，具有不同的退化类型和相应的相邻干净帧作为未对齐的配对标签。

SurgClean encompasses various image restoration tasks, including de-smogging, de-hazing, and de-spraying. It comprises 1,020 multi-type endoscopic images with different degradation types and corresponding adjacent clean frames as unaligned paired labels.

原始信息汇总

数据集概述

基本信息

• 数据集名称: Surgical Image Restoration Benchmark (SurgClean)
• 官方实现: "Benchmarking Laparoscopic Surgical Image Restoration and Beyond"
• 作者: Jialun Pei, Diandian Guo, Donghui Yang, Zhixi Li, Yuxin Feng, Long Ma, Bo Du, Pheng-Ann Heng
• 联系方式: [e-mail], [e-mail]

数据集详情

• 任务类型: 多类型图像恢复任务（去烟、去雾、去污）
• 数据规模: 1,020张多类型内窥镜图像
• 标签类型: 未对齐的相邻干净帧作为配对标签

数据集结构

• SurgClean Dataset

  • Defog
    • train/gt
    • train/input
    • test/gt
    • test/input
  • Desmoke
  • Desplash

• SurgClean Dataset_Fine-grain Division

  • Defog_Level
    • test/gt/Level-1 至 Level-4
    • test/input/Level-1 至 Level-4
  • Desmoke_Level
  • Desplash_Category
    • gt/bile, blood, fat, tissue fluid
    • input/bile, blood, fat, tissue fluid

预训练模型

• 模型列表: Restormer, FocalNet, ConvIR, Fourmer, MambaIR, Histoformer, RAMiT, AMIR, AST, X-Restormer, SFHformer, MambaIRv2
• 下载来源: One Drive

训练与测试命令

• 单GPU训练: python basicsr/train.py -opt options/train/SRResNet_SRGAN/train_MSRResNet_x4.yml
• 分布式训练: 支持4或8 GPU配置
• 单GPU测试: python basicsr/test.py -opt options/test/SRResNet_SRGAN/test_MSRResNet_x4.yml
• 分布式测试: 支持4或8 GPU配置

引用

bibtex @inproceedings{pei2024restoration, title={Benchmarking Laparoscopic Surgical Image Restoration and Beyond}, author={Pei, Jialun and Guo, Diandian and Yang, Donghui and Li, Zhixi and Feng, Yuxin and Ma, Long and Du, Bo and Heng, Pheng-Ann}, booktitle={arXiv}, year={2025} }

搜集汇总

数据集介绍

构建方式

在腹腔镜手术图像增强领域，SurgClean数据集通过精心设计的采集流程构建而成。该数据集包含1,020幅多类型内窥镜图像，涵盖去烟、去雾和去污三种典型图像修复任务。数据采集过程中，研究者采用相邻帧配对策略，将退化图像与未对齐的清洁帧作为标签数据，确保数据真实性。数据集进一步细分为Defog、Desmoke和Desplash三个子集，并按照训练集和测试集划分，其中测试集还包含细粒度分级（如Defog_Level）和类别划分（如Desplash_Category），为算法评估提供多层次验证基础。

特点

SurgClean数据集展现出显著的领域特性与科研价值。其核心优势在于同时覆盖三种典型手术图像退化场景，且每种场景均提供精确配对的退化-清洁图像对。数据集采用分级标注体系，如将去雾任务细分为Level-1至Level-4四个难度等级，去污任务则按胆汁、血液等生物组织类型分类，这种细粒度标注为算法性能评估提供多维度的量化标准。值得注意的是，所有图像均来自真实临床环境，其复杂的退化模式能有效检验算法的临床适用性。

使用方法

该数据集的使用遵循标准化的深度学习流程。用户需通过Kaggle平台获取数据，按照预设的目录结构组织Defog、Desmoke等子集。研究团队提供基于PyTorch的训练框架，支持单GPU（CUDA_VISIBLE_DEVICES=0）和多GPU分布式训练模式（最多8卡并行）。测试阶段可通过basicsr/test.py加载预训练模型，配套的YAML配置文件包含MSRResNet_x4等主流网络架构参数。为便于复现，项目要求Python 3.7+和CUDA 11.6环境，并提供requirements.txt实现依赖库的一键安装。

背景与挑战

背景概述

SurgClean数据集由Jialun Pei、Diandian Guo等研究人员于2025年推出，专注于腹腔镜手术图像恢复任务。该数据集由武汉大学和香港中文大学的研究团队联合开发，旨在解决手术图像中常见的烟雾、雾化和飞溅等退化问题。数据集包含1,020张多类型内窥镜图像，涵盖去雾、去烟和去飞溅三种恢复任务，并提供了未对齐的相邻干净帧作为配对标签。SurgClean的推出为计算机辅助手术领域提供了重要的基准测试平台，推动了手术图像增强技术的发展。

当前挑战

SurgClean数据集面临的挑战主要体现在两个方面：领域问题方面，手术图像恢复需要处理复杂的退化模式，如烟雾、雾化和飞溅等干扰因素，这些因素在手术过程中动态变化且相互交织，对模型的鲁棒性提出极高要求；构建过程方面，数据集收集面临手术场景多样性、图像退化程度标注一致性等难题，同时未对齐的配对标签增加了模型训练的复杂度。此外，细粒度划分的测试集（如按退化等级或体液类别分类）对模型的泛化能力提出了更精细的评估要求。

常用场景

经典使用场景

在医学影像处理领域，SurgClean数据集为腹腔镜手术图像的恢复提供了重要支持。该数据集包含多类型图像恢复任务，如去雾、去烟和去污，适用于评估和优化图像恢复算法。通过提供1020张具有不同退化类型的图像及其对应的清洁帧，研究人员能够针对手术场景中的复杂视觉干扰进行模型训练和验证。

实际应用

在实际应用中，SurgClean数据集为医疗影像设备的优化提供了有力支持。通过利用该数据集训练的模型，能够实时恢复手术中的模糊或污染图像，显著提升手术的精准度和安全性。此外，该数据集还可用于开发智能手术导航系统，为医生提供更清晰的术中视野。

衍生相关工作

基于SurgClean数据集，研究者们开发了多种先进的图像恢复模型，如Restormer、FocalNet和ConvIR等。这些模型在去雾、去烟等任务中表现出色，进一步推动了医学影像处理技术的发展。相关研究还扩展到了更细粒度的图像恢复任务，如不同污染等级的分类处理。