IEIMat

IEIMat数据集是由北京大学国家重点实验室收集的，包含了在不同场景（包括高动态范围和高速场景）下的静态和动态场景的实况和模拟数据。该数据集用于评估提出的基于事件相机的时间间隔显微成像技术（IEIM），该技术利用事件相机记录的时间间隔来表示样本结构信息，实现对静态和动态场景的高动态范围、低带宽显微成像。

The IEIMat dataset was collected by the State Key Laboratory of Peking University. It encompasses real-world and simulated data for both static and dynamic scenes across diverse settings, including high dynamic range (HDR) and high-speed scenarios. This dataset is developed to evaluate the proposed event camera-based time-interval microscopic imaging technique (IEIM). The technique utilizes time intervals recorded by event cameras to represent the structural information of samples, enabling high dynamic range and low-bandwidth microscopic imaging for both static and dynamic scenes.

搜集汇总

数据集介绍

构建方式

IEIMat数据集的构建基于脉冲调制技术，通过将声光可调滤波器（AOTF）集成到荧光显微镜的激发光路中，使激发光强度呈现高频脉冲变化。在静态和动态场景下，事件相机捕捉由荧光分子密度差异导致的事件时间间隔，从而生成合成和真实数据。合成数据通过DVS-Voltmeter事件模拟器生成，而真实数据则通过定制化的显微镜系统采集，涵盖多种样本类型和场景。

使用方法

使用IEIMat数据集时，研究人员可通过分析事件流中的时间间隔来重建样本的荧光分子密度分布。对于静态场景，数据集支持直接时间间隔到强度的映射；对于动态场景，则需结合脉冲调制频率和光功率的校准以实现高质量成像。此外，数据集还适用于验证深度学习模型在事件到强度转换任务中的性能，为显微成像算法的开发提供可靠的数据支持。

背景与挑战

背景概述

IEIMat数据集由北京大学多媒体信息处理国家重点实验室的研究团队于2025年提出，旨在解决事件相机在荧光显微镜成像中的关键挑战。事件相机作为一种仿生传感器，通过检测强度变化而非直接感知强度来记录事件流，但其稀疏输出导致原始强度信息丢失，限制了在显微成像中的应用。IEIMat数据集首次实现了静态事件相机对静态和动态场景的事件到强度转换，通过量化相邻事件间的时间间隔来精确表示荧光分子密度，从而反映样本结构信息。该数据集的建立为荧光显微镜成像提供了新的解决方案，显著提升了时空分辨率和动态范围，对生物医学成像领域具有重要影响。

当前挑战

IEIMat数据集面临的核心挑战包括两方面：在领域问题层面，传统事件相机无法直接记录强度信息，导致荧光显微镜成像中样本结构信息难以准确重建；现有基于运动事件的重建方法存在细节丢失、强度失真等问题，且无法处理静态场景。在构建过程层面，高频脉冲光调制设备的集成对采集效率产生影响，部分荧光信号在调制过程中丢失；硬件调制速度限制了高速动态成像的实现，需要精确平衡调制频率与光功率的关系以确保成像质量。此外，如何从事件时间戳中准确提取荧光分子密度信息，也是数据集构建中需要解决的关键技术难题。

常用场景

经典使用场景

IEIMat数据集在荧光显微镜成像领域展现了其经典应用场景。通过结合事件相机的高时间分辨率和脉冲光调制技术，该数据集能够精确捕捉静态和动态场景下的荧光分子分布密度。在静态场景中，IEIMat通过量化相邻事件间的时间间隔，实现了对样本结构的高保真重建；在动态场景中，其高帧率成像能力（如800fps）有效解决了传统方法因运动模糊导致的细节丢失问题。这种双模态成像能力为生物样本的微观结构研究提供了全新的数据支持。

解决学术问题

IEIMat数据集针对事件相机在荧光显微镜应用中的核心挑战提出了创新解决方案。传统事件相机因缺乏强度信息而难以重建静态场景，而融合传感器（如DAVIS）又存在灵敏度下降的问题。该数据集通过脉冲光调制将荧光分子密度映射为事件时间间隔，首次实现了无需强度信息的静态/动态场景重建。实验表明，其重建质量在MSE指标上提升97%以上，SSIM提升14%，显著优于E2VID等现有方法，为神经形态视觉在显微成像领域的应用奠定了理论基础。

实际应用

在实际应用中，IEIMat数据集推动了高动态范围显微成像的技术革新。其脉冲调制方案克服了传统多曝光策略的硬件复杂性，在神经元成像等场景中，能同时捕捉细胞群（高密度）与神经突触（低密度）的清晰结构。临床前研究中，该技术已成功应用于观察果蝇内胚层发育动态，通过高时间分辨率事件流精准记录细胞迁移过程。相较于sCMOS相机，其带宽降低约40%，功耗减少60%，为长期活体观测提供了更可持续的解决方案。

数据集最近研究

最新研究方向

近年来，IEIMat数据集在事件相机与荧光显微镜交叉领域的研究中展现出显著的前沿价值。该数据集通过创新的脉冲调制技术，首次实现了静态与动态场景下事件流到强度图像的高精度转换，突破了传统事件相机在微观成像中动态范围与时间分辨率的限制。研究热点集中在利用事件间隔时间表征荧光分子密度的新型成像机制，以及脉冲调制硬件与深度学习融合的混合架构设计。在高速显微成像、高动态范围观测等场景中，该数据集为神经形态视觉与计算显微学的深度结合提供了基准平台，推动了单分子追踪、活细胞超分辨率成像等生命科学关键应用的发展。

相关研究论文

• Inter-event Interval Microscopy for Event Cameras

  北京大学国家重点实验室 · 2025年