QID (Quantifiable Illumination Dataset)

QID数据集是专门为低光照条件下的图像增强任务设计的。它包含了可量化的光照水平和广泛的光照强度范围，旨在提供一个全面的基准，以便在极端低光照条件下对图像增强模型进行训练和评估。数据集的创建过程涉及构建多个虚拟相机，以模拟不同噪声特性的图像。此外，数据集还引入了一个颜色校正器，以确保在扩散过程中颜色的连续性。QID数据集的应用领域主要集中在低光照图像增强，旨在解决传统方法在高噪声和低对比度条件下的局限性。The QID dataset is specifically designed for the low-light image enhancement task. It contains quantifiable illumination levels and a wide range of illumination intensities, aiming to provide a comprehensive benchmark for training and evaluating image enhancement models under extremely low-light conditions. The dataset creation process involves constructing multiple virtual cameras to simulate images with varying noise profiles. Additionally, the dataset incorporates a color correction module to ensure color consistency during the diffusion process. The application scope of the QID dataset is primarily focused on low-light image enhancement, with the goal of addressing the limitations of traditional methods under high-noise and low-contrast conditions.

原始信息汇总

TS-Diff数据集概述

数据集基本信息

• 数据集名称: QID
• 主要用途: 用于极低光环境下（如0.001 lux）的RAW图像增强任务的训练和评估
• 特点: 具有可量化的光照级别

数据集特点

• 专门针对极低光环境设计
• 提供可量化的光照级别支持
• 适用于低光RAW图像增强任务

相关模型

• 模型名称: TS-Diff (Two-Stage Diffusion Model)
• 模型类型: 两阶段扩散模型
• 主要功能: 极低光RAW图像增强
• 发表信息: IJCNN 2025

模型训练流程

1. 预训练阶段:
   • 使用SID数据集进行预训练
2. 微调阶段:
   • 支持多种数据集微调:
     • Sony数据集
     • ELD数据集
     • L118数据集

引用信息

bibtex @misc{li2025tsdifftwostagediffusionmodel, title={TS-Diff: Two-Stage Diffusion Model for Low-Light RAW Image Enhancement}, author={Yi Li and Zhiyuan Zhang and Jiangnan Xia and Jianghan Cheng and Qilong Wu and Junwei Li and Yibin Tian and Hui Kong}, year={2025}, eprint={2505.04281}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2505.04281}, }

搜集汇总

数据集介绍

构建方式

QID（Quantifiable Illumination Dataset）数据集的构建采用了高度可控的实验环境设计。研究团队将L118相机固定于专业低光测试系统C5-LWB2，通过光屏蔽装置和可调光源创造10⁻¹至10⁻³ lux的精确照度环境，使用Photo2000m光度计实现照度量化记录。数据采集涵盖6种ISO级别与5种曝光时间组合，每个照度条件下捕获5张RAW图像及1张正常照度参考图像，最终形成包含9020张图像的标准数据集。这种基于物理参数控制的构建方法突破了传统数据集依赖曝光时间间接调节照度的局限。

特点

该数据集的核心特征体现在照度条件的精确量化与极端低光覆盖。相较于SID等现有数据集，QID通过实验室级环境控制实现了10⁻³ lux照度的标准化采集，填补了极弱光环境数据空白。其多参数组合设计（ISO/曝光时间/照度）构建了噪声分布更丰富的样本空间，RAW格式数据保留了14位色深信息，为模型训练提供了完整的噪声特征学习素材。参考图像与低光图像的严格配对确保了监督学习的可靠性。

使用方法

QID数据集主要服务于低光RAW图像增强算法的开发与评估。研究人员可利用其量化照度标签进行照度条件分级训练，通过不同ISO/曝光时间组合研究噪声模型特性。数据集建议用于：1）预训练阶段使用全部照度数据提升模型泛化性；2）特定照度子集微调以优化极端低光性能；3）跨相机评估时作为基准测试集。使用时应保持RAW数据处理流程的一致性，包括黑电平校正和四通道RGBG转换，以确保与原始研究条件可比。

背景与挑战

背景概述

QID（Quantifiable Illumination Dataset）是由浙江大学、新加坡管理大学、深圳大学和澳门大学的研究团队于2025年提出的专为极低光条件下RAW图像增强任务设计的基准数据集。该数据集通过精密可控的光源系统（C5-LWB2）和L118相机采集，覆盖10⁻¹至10⁻³ lux的量化照度等级，包含9020张RAW图像（含20张正常光照参考图像）。其创新性在于解决了现有数据集（如SID、ELD）无法精确控制光照强度的局限性，为极端低光场景下的算法研究提供了标准化评估平台。QID通过记录ISO、曝光时间和色温等多维度参数，推动了低光增强领域从经验驱动向量化分析的范式转变，被应用于TS-Diff等扩散模型的验证，显著提升了跨设备泛化能力。

当前挑战

QID数据集针对的领域挑战主要体现在极端低光（10⁻³ lux）下RAW图像的信噪比骤降、复杂噪声分布建模以及跨相机色彩一致性保持。构建过程中面临三重技术难点：1）物理采集需平衡暗箱环境控制与光学参数精确量化，使用Photo2000m光度计实现10⁻³ lux级照度标定；2）多条件数据对齐要求严格同步ISO（6档）、曝光时间（5档）与色温参数，避免传感器响应差异引入偏差；3）参考图像获取需在相同机位下完成正常光照拍摄，对设备稳定性提出极高要求。这些挑战使得QID成为首个系统解决极低光量化基准问题的RAW数据集。

常用场景

经典使用场景

QID数据集在低光图像增强领域具有广泛的应用价值，尤其在极端低光条件下（如10^-3 lux）的图像恢复任务中表现卓越。该数据集通过精确控制光照强度，为研究人员提供了标准化的实验环境，使得模型能够在不同光照条件下进行训练和评估。其独特的量化光照特性使得QID成为评估低光图像增强算法性能的理想基准，尤其在处理RAW格式图像时，能够有效模拟真实世界中的噪声分布和光照变化。

衍生相关工作

QID数据集的发布催生了一系列相关研究工作。基于该数据集，研究人员开发了TS-Diff等先进的低光图像增强算法，这些方法在噪声建模和颜色保真度方面取得了显著进展。此外，QID还启发了对RAW域扩散模型的研究，推动了跨相机泛化技术的发展。该数据集也被用于评估各种新型低光增强架构，成为该领域研究的重要基准，为后续工作提供了可靠的性能比较标准。

数据集最近研究

最新研究方向

在低光照RAW图像增强领域，QID（Quantifiable Illumination Dataset）数据集的最新研究方向聚焦于极端低照度条件下的噪声建模与色彩一致性恢复。随着扩散模型在图像生成任务中的突破性进展，基于QID的研究正探索如何通过两阶段训练策略实现跨相机泛化，其中预训练阶段利用虚拟相机构建噪声空间，对齐阶段则通过少量真实数据微调目标相机特征。针对扩散过程中易出现的色偏问题，研究者引入了动态色彩校正模块，通过全局特征调制技术保持色彩分布的真实性。QID的创新性在于其可量化的光照等级（低至10^-3 lux）和宽动态范围特性，为算法在极端场景下的鲁棒性评估提供了标准化基准。该数据集推动了低光照增强技术从传统sRGB域向RAW域的范式转移，使得直接处理原始噪声分布成为可能，相关成果已应用于自动驾驶夜视、医学显微成像等对实时性要求严苛的领域。

相关研究论文

• TS-Diff: Two-Stage Diffusion Model for Low-Light RAW Image Enhancement

  浙江大学, 新加坡管理大学, 深圳大学, 澳门大学 · 2025年