REAL (Raw and Event Acquired in Low-light)

REAL数据集由华中科技大学与新加坡国立大学联合构建，是首个提供极低光照条件下（0.001-0.8勒克斯）像素级对齐的RAW图像、事件流及sRGB真值的三模态基准数据集。该数据集包含47,800组数据样本，通过同轴成像系统采集，完整保留了光子匮乏环境下的传感器噪声特征与运动纹理信息。数据创建过程严格模拟了动态场景下的短曝光条件，通过同步触发事件相机和RAW相机获取跨模态配对数据。该数据集旨在推动极端暗光环境下的事件-图像融合算法研究，为解决运动模糊、纹理丢失和噪声干扰等低光成像核心问题提供关键实验平台。The REAL dataset, jointly constructed by Huazhong University of Science and Technology and the National University of Singapore, is the first three-modal benchmark dataset offering pixel-aligned RAW images, event streams and sRGB ground truths under extremely low-light conditions (0.001–0.8 lux). It consists of 47,800 data samples collected using a coaxial imaging system, and fully retains the sensor noise characteristics and motion texture information in photon-starved environments. The dataset’s creation process strictly simulates short-exposure conditions in dynamic scenes, and acquires cross-modal paired data by synchronously triggering event cameras and RAW cameras. This dataset aims to advance research on event-image fusion algorithms in extremely dark environments, providing a critical experimental platform for addressing core low-light imaging issues such as motion blur, texture loss and noise interference.

原始信息汇总

NEC-Diff 数据集概述

数据集基本信息

• 数据集名称：NEC-Diff
• 全称：Noise-robust event–RAW complementary diffusion for seeing motion in extreme darkness
• 发布状态：即将发布（Coming soon）

数据集来源与背景

• 相关论文：NEC-Diff: Noise-robust event–RAW complementary diffusion for seeing motion in extreme darkness
• 论文作者：Haoyue Liu, Jinghan Xu, Luxin Feng, Hanyu Zhou, Haozhi Zhao, Yi Chang, Luxin Yan
• 发表会议：CVPR 2026（已录用）

数据集内容与用途

• 核心目标：用于在极端黑暗环境下观测运动
• 技术基础：基于噪声鲁棒的事件-RAW互补扩散方法

数据获取与代码

• 数据集：即将发布
• 相关代码：即将发布

备注

• 本概述基于数据集详情页面提供的公开信息。
• 具体数据集内容、规模、格式及获取方式需等待官方正式发布。

搜集汇总

数据集介绍

构建方式

在极低光动态场景成像领域，获取对齐的视觉数据面临严峻挑战。REAL数据集通过设计同轴多传感器成像系统，在真实户外环境中模拟超低光照条件，避免了合成退化引入的伪影。该系统集成了事件相机与帧相机，利用光束分束器实现像素级对齐，并通过中性密度滤光片精确控制光照强度在0.001至0.8勒克斯之间。数据采集采用车载平台，并依据运动速度实施感知曝光策略，以平衡运动清晰度与光子收集效率，最终构建了包含47,800组对齐的低光RAW图像、事件流及高质量sRGB参考图像的三元组数据集。

特点

该数据集的核心特征在于其极低光照条件下的真实性与对齐精度。光照强度覆盖0.001至0.8勒克斯的极端黑暗范围，其中约70%的场景低于0.3勒克斯，真实反映了光子稀缺的成像环境。数据三元组（低光RAW、事件流、sRGB参考）经过严格的像素级对齐，确保了跨模态信号的空间一致性。参考图像的平均亮度是RAW输入的300至500倍，凸显了巨大的曝光差距与增强难度。此外，数据集涵盖了多样化的动态场景与相机运动模式，并提供了用于高级视觉任务（如目标检测与语义分割）的标注，为低光增强与事件视觉研究提供了极具挑战性的基准。

使用方法

REAL数据集主要用于训练与评估极低光条件下的跨模态图像增强算法。研究者可将对齐的低光RAW图像与事件流作为模型输入，以高质量sRGB图像作为监督目标，进行端到端的训练。该数据集特别适用于探索RAW图像与事件数据的互补性，例如利用RAW的线性光照响应与事件的高动态范围运动边缘信息进行协同去噪与重建。在评估阶段，可通过峰值信噪比、结构相似性等指标量化增强结果与参考图像的一致性。此外，数据集提供的标注支持将低层增强与高层视觉任务相结合，推动极端黑暗环境下鲁棒视觉系统的发展。

背景与挑战

背景概述

在极端低光照条件下对动态场景进行高质量成像，是计算机视觉领域长期存在的核心难题。光子匮乏导致图像噪声严重、纹理细节丢失，传统相机受限于全局曝光范式，难以在动态场景中兼顾运动模糊与信噪比。为应对这一挑战，华中科技大学与新加坡国立大学的研究团队于2026年构建了REAL（Raw and Event Acquired in Low-light）数据集。该数据集旨在通过提供像素级对齐的低光RAW图像、事件流及高质量参考图像，推动事件相机与传统相机在光子匮乏环境下的互补成像研究。REAL数据集涵盖了0.001至0.8勒克斯的极端暗光场景，包含47,800组数据，为低光增强、运动重建等任务提供了关键基准，显著促进了多模态低光成像算法的发展。

当前挑战

REAL数据集致力于解决极端低光环境下动态场景成像的领域挑战，其核心在于如何从严重退化的双模态信号中恢复精细场景结构。具体而言，领域挑战体现为光子匮乏导致的信噪比极低、纹理信息近乎丢失，以及动态场景中短曝光与运动模糊之间的固有矛盾。在构建过程中，研究团队面临多重技术挑战：为实现RAW图像与事件流的高精度时空对齐，需设计复杂的同轴成像系统以消除视差；在真实户外环境中模拟并控制超低照度，需避免合成退化引入的伪影；同时，数据采集需平衡运动速度与曝光策略，以确保动态清晰度与光子收集的兼顾，这对硬件同步与光照标定提出了极高要求。

常用场景

经典使用场景

在极低光照条件下对动态场景进行高质量成像，是计算机视觉领域长期面临的严峻挑战。REAL数据集通过提供像素级对齐的低光RAW图像、事件流及高质量参考图像三元组，为研究极端暗光环境下的多模态信息互补与重建提供了关键基准。该数据集最经典的应用场景在于驱动和评估事件-RAW混合成像算法，特别是那些旨在解决光子匮乏条件下噪声抑制与纹理保留之间固有矛盾的先进模型。研究人员利用REAL中覆盖0.001至0.8勒克斯照度的真实数据，能够系统探究RAW图像的线性光照响应特性与事件相机对亮度变化的高灵敏度如何协同工作，从而突破传统成像在动态暗光场景中的性能瓶颈。

实际应用

超越纯学术研究，REAL数据集支撑的技术在实际应用中具有广泛前景。在自动驾驶领域，其有助于开发在夜间或隧道等低光环境下仍能清晰感知周围动态物体和道路结构的视觉系统，提升行车安全。安防监控同样受益，使得摄像头在近乎无光的条件下也能捕获可辨识的人脸或行为细节。此外，在生物医学成像、天文观测以及水下探测等专业领域，该数据集所推动的极低光增强技术能够帮助从噪声主导的信号中提取出有价值的视觉信息，拓展了人类在极端环境下的视觉能力边界。

衍生相关工作

REAL数据集的建立催生并支撑了一系列围绕极低光混合成像的经典研究工作。其直接衍生的核心工作是NEC-Diff框架，该框架利用数据集验证了基于扩散模型的事件-RAW互补成像范式。在此基础之上，数据集激励了对于跨模态协同去噪机制的更深入探索，例如如何更精确地利用RAW光照先验指导事件去噪，以及如何设计更有效的双模态信噪比估计器。同时，REAL也为EvLight、EvLowLight等现有事件-图像混合方法的性能评估与改进提供了更严峻、更真实的测试平台，推动了整个领域向更极端、更实用的暗光成像场景迈进。