LOL dataset

该数据集由100对低光/正常光图像组成，用于训练基于小波变换的低光立体图像增强方法。数据集包括低光和正常光图像，通过多级小波分解提取低频和高频信息，用于光照调整和纹理增强。该数据集旨在解决低光图像增强中特征纠缠和黑盒特性问题，通过分别处理光照和纹理细节来提高图像质量和增强效果。

This dataset consists of 100 pairs of low-light/normal-light images, intended for training wavelet transform-based low-light stereo image enhancement methods. The dataset includes both low-light and normal-light images, from which low-frequency and high-frequency information are extracted via multi-level wavelet decomposition for illumination adjustment and texture enhancement. This dataset aims to address the issues of feature entanglement and black-box nature in low-light image enhancement, and improves image quality and enhancement effects by separately processing illumination and texture details.

搜集汇总

数据集介绍

构建方式

LOL数据集构建于低光图像增强领域，旨在解决低光环境下图像质量退化的问题。该数据集包含100对低光/正常光图像（Ilow, Inormal），每对图像经过三级小波变换分解为低频和高频成分。通过交换低频成分进行图像重建，实验证明低频成分对光照调整具有显著影响。数据集的构建充分利用了小波变换在频域分析中的优势，实现了光照和纹理细节的分离处理。

特点

LOL数据集的主要特点在于其独特的频域分解特性。通过小波变换，图像被解耦为低频分支（负责光照调整）和多个高频分支（负责纹理增强）。数据集同时包含均匀光照和非均匀光照条件下的图像，增强了模型的鲁棒性。特别值得注意的是，该数据集首次实现了立体图像增强中的特征空间解耦，通过高频引导的跨视角交互模块（HF-CIM）有效提取了另一视角的细节信息。

使用方法

使用LOL数据集时，研究者可通过三级离散小波变换（DWT）将输入图像分解为低频分量cA和高频分量cH、cV、cD。低频分支采用光照调整模块（IAM）进行特征提取和光照恢复，而高频分支则通过HF-CIM模块实现跨视角交互，再经细节纹理增强模块（DTEM）进行优化。最终通过逆小波变换逐步重建增强结果。数据集支持端到端训练，采用包含频域损失、空间域损失和VGG感知损失的多任务学习策略。

背景与挑战

背景概述

LOL数据集是由Wei等人于2018年提出的专用于低光图像增强研究的基准数据集，其核心研究目标在于解决低光环境下图像质量退化问题。该数据集由西安理工大学计算机科学与工程学院智能视觉计算团队构建，包含低光/正常光配对的立体图像，通过Retinex理论驱动数据生成策略，为低光增强算法提供了量化评估标准。作为首个将立体视觉与低光增强结合的开放数据集，LOL推动了基于频域分解的增强方法发展，其多级小波分解方案显著提升了光照调整与纹理恢复的可解释性，成为近年来CVPR、ICCV等顶会相关研究的基准测试平台。

当前挑战

该数据集面临双重技术挑战：在领域问题层面，低光图像存在的复杂退化（如光照不均、噪声耦合、色彩失真）导致传统端到端模型易陷入捷径学习，需解决频域特征解耦与跨视角信息融合的平衡问题；在构建过程层面，数据采集需同步处理立体图像对的光照一致性，且人工合成数据与真实低光场景存在域差距，要求设计兼顾均匀/非均匀光照的混合生成策略。此外，小波变换的多尺度特性虽提升了解耦效果，但高频分支的噪声敏感性与跨视角交互计算复杂度对模型设计提出更高要求。

常用场景

经典使用场景

LOL数据集在计算机视觉领域被广泛应用于低光图像增强研究，特别是在处理复杂退化条件下的图像恢复任务中。该数据集通过提供低光与正常光照条件下的成对图像，为研究者提供了丰富的实验材料。其经典使用场景包括基于Retinex分解、傅里叶变换和小波变换的图像增强算法开发，尤其是在特征空间解耦和跨视图信息交互方面展现出独特优势。

解决学术问题

LOL数据集有效解决了低光图像增强领域的关键学术问题，包括特征高度纠缠导致的模型黑箱特性、光照调整与纹理恢复的耦合难题。通过多级小波分解将特征空间解耦为低频光照调整分支和高频纹理增强分支，该数据集支持了光照与细节的独立处理，显著提升了模型的泛化能力和可解释性。同时，其立体图像对设计为跨视图信息交互研究提供了基础，推动了立体视觉与低光增强的交叉研究进展。

衍生相关工作

基于LOL数据集衍生出多项经典工作，包括首创小波域解耦立体增强的WDCI-Net、基于视差注意力机制的DCI-Net等创新架构。这些工作推动了高频引导跨视图交互模块（HF-CIM）和细节纹理增强模块（DTEM）等核心组件的演进，形成了从Retinex模型到频域解耦的方法体系。数据集还促进了Zero-DCE++等无监督方法与LLFormer等Transformer架构在低光增强领域的适应性改进，为后续超高清图像增强研究奠定了基础。