RDRF dataset

RDRF数据集是一个用于雨滴和反射统一去除（UR^3）任务的数据集，专为自动驾驶场景设计。它包含在受控环境中故意构建的真实场景下捕获的图像，使用索尼ILCE-7RM4A和尼康D7100相机以及不同厚度的玻璃板（3毫米、5毫米和8毫米）来增强多样性。数据集分为训练子集和测试子集，每个地面真实图像对应多个具有不同雨滴和反射退化模式的退化图像，所有图像分辨率为1080×720。文件命名规则表明了退化图像与地面真实图像之间的对应关系。The RDRF dataset is a specialized dataset for the unified removal of raindrops and reflections (UR³) task, tailored for autonomous driving scenarios. It contains images captured in real-world scenes intentionally constructed in controlled environments, using Sony ILCE-7RM4A and Nikon D7100 cameras along with glass plates of varying thicknesses (3 mm, 5 mm, and 8 mm) to enhance dataset diversity. The dataset is split into training and testing subsets. Each ground-truth image corresponds to multiple degraded images with distinct raindrop and reflection degradation patterns, and all images have a resolution of 1080×720. The file naming convention indicates the correspondence between degraded images and ground-truth images.

原始信息汇总

数据集概述

RDRF 数据集（Raindrops and Reflections Dataset）是一个专注于统一去除雨滴与反射（UR³） 的真实场景数据集，旨在解决自动驾驶等车载视觉系统中雨滴与反射共存的视觉退化问题。该数据集的相关论文已被 ECCV 2026 接收。

核心信息

• 问题定义：在雨天驾驶场景中，雨滴和反射经常同时出现，严重影响车载摄像头捕获图像的可见度，带来驾驶安全隐患。统一去除雨滴与反射是一个亟待解决的实用问题。
• 数据采集方式：在受控环境下模拟真实场景拍摄。相机通过无线触发机制避免震动，使用两台不同相机（Sony ILCE-7RM4A 和 Nikon D7100）及多种玻璃厚度（3mm、5mm、8mm）和可调节的相机-玻璃距离/角度来保证数据多样性。
• 数据集结构：
  • RDRF-training：训练集。
  • RDRF-testing：测试集。
  • RDRF-wild：野外数据集，即将发布。
  • 每个真实图像（gt文件夹）可能对应多张不同退化模式（雨滴和反射）的退化图像（input文件夹）。文件名编号表示对应关系，例如001-001.png和001-002.png对应同一张真实图像001.png。
  • 所有图像分辨率均为 1080 × 720。

相关资源

• 论文链接：arXiv:2603.16446
• 项目主页：https://xingyuliu00.github.io/diffur3/
• LoViF 2026 Workshop 挑战赛：The Challenge on Unified Removal of Raindrops and Reflections

数据下载

数据集	Google Drive	百度网盘
RDRF-training	下载	下载 提取码: ecxa
RDRF-testing	下载	下载 提取码: 3fs8
RDRF-wild	即将发布	即将发布

引用

如果数据集对您的研究有帮助，请引用以下论文：

BibTeX @inproceedings{Liu2026ECCV-RDRF, title={Unified Removal of Raindrops and Reflections: A New Benchmark and A Novel Pipeline}, author={Xingyu Liu and Zewei He and Yu Chen and Chunyu Zhu and Zixuan Chen and Xing Luo and Zhe-Ming Lu}, booktitle={European Conference on Computer Vision (ECCV)}, year={2026} }

搜集汇总

数据集介绍

构建方式

RDRF数据集是在精心控制的真实场景中采集而成，旨在解决自动驾驶中雨滴与反射共存导致的图像退化问题。硬件配置方面，相机通过可调底座安装于三脚架上，并在镜头前放置玻璃板以模拟车窗环境。为消除手动操作引发的振动伪影，相机配备了信号接收器以实现远程快门控制。研究团队采用了两款不同品牌的相机（Sony ILCE-7RM4A和Nikon D7100）搭配变焦镜头，并选用3毫米、5毫米和8毫米三种厚度的玻璃板，通过调整相机与玻璃之间的距离和角度来模拟多样化的拍摄情境，从而确保数据集丰富的场景覆盖。

特点

该数据集的一个显著特色是每张真实无退化图像均对应多张具有不同雨滴与反射退化模式的输入图像，形成了多对一的映射结构。这种设计允许研究者从同一清晰场景中获取多种退化变体，有助于模型学习鲁棒的统一去除能力。数据集的训练与测试子集均遵循统一的文件命名规则，便于自动解析和批量处理。所有图像均以1080×720的高清分辨率提供，保证了足够的细节信息用于深度学习任务。此外，数据集通过真实物理环境而非合成方式生成，确保了退化模式的真实性和挑战性。

使用方法

使用RDRF数据集时，研究者可直接从提供的Google Drive或百度网盘链接下载训练与测试子集。数据组织方式清晰：输入文件夹（input）存放带有雨滴和反射退化的图像，其文件名格式为“编号-序号.png”，真实无退化图像存放于gt文件夹中，文件名为“编号.png”。同一个编号对应多张退化图像共享同一张真实图像，例如001-001.png与001-002.png共享gt/001.png。这一结构便于构建配对训练样本。研究者可基于该数据集进行模型训练和评估，并引用相关论文。目前RDRF-wild子集即将发布，敬请期待。

背景与挑战

背景概述

在自动驾驶与车载视觉系统中，雨天场景常伴随雨滴与反射的耦合退化现象，严重干扰成像质量并威胁行车安全。为应对这一挑战，由浙江大学研究人员于2026年构建的RDRF数据集应运而生，该工作被ECCV'2026收录，并同期在LoViF 2026研讨会上组织相关竞赛。核心研究问题聚焦于雨滴与反射的统一去除（UR³），旨在通过构建真实退化样本与干净参考图像的配对数据，弥补当前领域缺乏联合退化基准的空白。该数据集采用可控环境下的真实拍摄策略，通过调整相机与玻璃间距、角度、玻璃厚度及不同相机型号等手段增强多样性，为算法鲁棒性评估提供了关键支撑，已在学术社区引发广泛关注。

当前挑战

RDRF数据集所解决的领域问题极具挑战性，雨滴与反射在图像中呈现复杂的空间重叠与光学耦合，传统针对单一退化的去雨或去反射方法难以有效分离两类干扰，易产生伪影或过度平滑。构建过程中，如何确保多退化模式下的像素级严格对齐是一大难题，研究者采用无线遥控快门以避免手动操作引发的图像错位；同时，为模拟真实驾驶环境的多样性，需兼顾相机与玻璃的相对位置、玻璃厚度、镜头焦距等多个自由度的变化，并保证每张干净图像对应多张不同退化模式的输入，这对数据采集流程的标准化与质量控制提出了极高要求。

常用场景

经典使用场景

在自动驾驶与车载视觉感知领域，雨天环境下雨滴附着与玻璃反射的共存现象严重劣化成像质量，阻碍了目标检测与场景理解等高层视觉任务的可靠性。RDRF数据集应运而生，其核心使用场景在于为“雨滴与反射联合去除”（Unified Removal of Raindrops and Reflections, UR³）任务提供标准化的训练与评测基准。该数据集通过精心构建可控实验环境，利用两台不同相机、多种玻璃厚度及可调拍摄角度，采集了高分辨率（1080×720）的真实成对图像，每张无退化真值图对应多张具有不同雨滴与反射退化模式的输入图，从而系统性地覆盖了复杂退化组合，支撑图像复原方法的鲁棒训练与性能验证。

实际应用

在实际应用中，RDRF数据集所支持的UR³技术可直接赋能车载摄像头系统，在雨天行车时自动去除挡风玻璃上的雨滴及其引发的内部反射，恢复清晰视野，从而保障高级驾驶辅助系统（ADAS）和自动驾驶感知模块的稳定运行。此外，该技术还可延伸至安防监控、机器人巡检、户外摄影设备等领域，尤其是在玻璃橱窗展示、博物馆展品拍摄等场景中，能够有效消除玻璃界面的复合干扰，提升图像采集质量。数据集的RDRF-wild子集进一步拓展至无约束真实环境，为部署于多变光照与复杂背景下的商业产品提供了更具挑战性的验证依据。

衍生相关工作

基于RDRF数据集，研究团队已在ECCV 2026上发表了配套的基准论文《Unified Removal of Raindrops and Reflections: A New Benchmark and A Novel Pipeline》，并组织了同期的国际挑战赛（LoViF 2026 Workshop），吸引了众多学者参与UR³任务的算法竞赛。该数据集的发布预期将催生一系列后续工作，包括基于扩散模型的联合复原网络、物理模型引导的多任务学习框架，以及面向自动驾驶场景的轻量化推理模型。此外，RDRF数据集还可与其他退化数据集（如雾霾、低光照）融合，推动多退化协同复原的通用框架研究，成为连接底层视觉与高层感知的桥梁性资源。