大型低光模拟数据集

本研究构建了一个大型低光模拟数据集，用于支持低光图像增强研究。该数据集包含22,656张图像，通过精心设计的低光模拟策略合成，旨在提供比现有数据集更大和更多样化的数据。数据集中的图像涵盖了多种场景和光照条件，适用于训练基于学习的方法。通过此数据集，研究者可以训练出能够区分曝光不足区域和正常曝光区域的模型，以及区分噪声和真实纹理的模型，从而有效提升低光图像的亮度和去噪效果。此外，数据集还提供了噪声分布图和曝光图，可作为监督信息，进一步提高训练模型的性能。

This study constructs a large-scale low-light simulation dataset to support research on low-light image enhancement. This dataset contains 22,656 images synthesized via a carefully designed low-light simulation strategy, aiming to provide larger and more diverse data than existing datasets. The images in this dataset cover various scenarios and lighting conditions, making them suitable for training learning-based methods. With this dataset, researchers can train models capable of distinguishing under-exposed regions from normally exposed regions, as well as differentiating noise from real textures, thereby effectively enhancing the brightness adjustment and denoising performance of low-light images. Additionally, the dataset also provides noise distribution maps and exposure maps, which can serve as supervision information to further improve the performance of the trained models.

搜集汇总

数据集介绍

构建方式

在低光图像增强领域，数据集的构建常受限于真实配对数据的稀缺性。本数据集采用创新的低光模拟流程，从公开数据集中精心筛选高质量正常曝光图像作为基础。通过结合线性变换与伽马变换，模拟不同曝光程度的低光图像，并引入高斯-泊松混合噪声模型，以模拟真实低光环境中的噪声特性。同时，采用曝光融合与图像平滑技术对原始正常曝光图像进行对比度与细节增强，生成高质量参考图像，从而构建大规模、多样化的配对低光图像数据集。

特点

该数据集在规模与多样性方面具有显著优势，涵盖从轻微到严重不同程度的低光场景，模拟了真实世界中的复杂光照变化。其合成图像不仅包含亮度与对比度的退化，还精确模拟了噪声分布，提供了更贴近实际应用的训练样本。此外，数据集保留了原始公开数据集的标注信息，如物体检测框与语义分割掩码，使其能够兼容计算机视觉中的高层任务，为模型在低光条件下的适应与泛化提供了坚实基础。

使用方法

该数据集主要用于训练与评估低光图像增强模型，尤其适用于基于深度学习的端到端方法。研究人员可将配对的高低光图像作为输入与目标，训练网络同时进行亮度恢复与去噪。数据集提供的曝光图与噪声分布图可作为额外的监督信号，引导模型进行区域自适应的增强。此外，借助其保留的标注信息，该数据集可直接用于低光环境下物体检测、语义分割等任务的模型微调或域适应研究，提升视觉系统在恶劣光照条件下的鲁棒性。

背景与挑战

背景概述

在计算机视觉领域，低光图像增强技术旨在提升在光照不足环境下捕获图像的视觉质量，其核心挑战在于同时恢复亮度、对比度并抑制噪声与色彩失真。由北京航空航天大学与腾讯应用研究中心的研究人员于2020年构建的大型低光模拟数据集，通过精心设计的低光模拟策略，从公开数据集中合成大规模配对的低光与正常光图像，为深度学习模型提供了丰富的训练资源。该数据集的创建不仅推动了低光增强算法的发展，还为自动驾驶、视频监控等智能系统在弱光环境下的性能优化提供了关键支持。

当前挑战

低光图像增强领域面临的主要挑战在于如何有效平衡亮度恢复与噪声抑制，避免简单亮度调整导致的伪影放大。具体而言，现有方法在构建数据集时需应对真实低光场景的多样性与数据规模的限制，例如手动采集图像成本高昂且难以覆盖极端光照条件。此外，合成数据需模拟真实的噪声分布与曝光变化，以确保模型在复杂环境下的泛化能力。构建过程中，还需解决图像对齐、色彩保真度及与现有视觉任务（如检测与分割）的兼容性问题，以提升数据集的实用价值。

常用场景

经典使用场景

在低光图像增强领域，该数据集作为基准工具，为深度学习模型提供大规模、多样化的训练样本。其通过精心设计的低光模拟策略，从正常曝光图像中合成逼真的低光图像，并配以高质量参考图像，有效解决了传统数据集中场景单一、数据量不足的局限。研究人员利用该数据集训练端到端的注意力引导增强网络，实现亮度恢复与噪声抑制的协同优化，显著提升了模型在复杂低光条件下的泛化能力与增强效果。

实际应用

在实际应用中，该数据集支撑的技术已广泛应用于消费电子、智能交通与安防监控等领域。例如，在智能手机摄影中，基于该数据集训练的模型可实时提升夜间拍摄图像的亮度与细节；在自动驾驶系统中，增强后的低光图像能显著改善车辆检测与语义分割的准确性。此外，该数据集兼容现有标注数据集的特性，使其能够直接用于低光条件下的目标检测与实例分割任务，提升了视觉系统在极端光照环境中的鲁棒性。

衍生相关工作

该数据集衍生了一系列经典研究工作，包括基于注意力引导的多分支增强网络架构、结合Retinex理论与深度学习的混合模型，以及面向极端低光场景的RAW图像处理流程。例如，RetinexNet与KinD等方法借鉴其数据合成策略，进一步探索了光照估计与反射分离的联合优化；MBLLEN等模型则受其多分支设计启发，实现了更高效的亮度与对比度恢复。这些工作共同推动了低光增强领域向更精细化、自适应化的方向发展。