UHD-LOL

UHD-LOL是南京大学软件新技术国家重点实验室创建的大规模超高清低光图像增强基准数据集，包含UHD-LOL4K和UHD-LOL8K两个子集，分别包含4K和8K分辨率的图像。UHD-LOL4K包含8099对图像，其中5999对用于训练，2100对用于测试；UHD-LOL8K包含2966对图像，其中2029对用于训练，937对用于测试。该数据集通过合成低光图像来模拟真实场景，旨在解决超高清图像在低光环境下的增强问题，为低光图像增强算法的研究和评估提供支持。

UHD-LOL is a large-scale ultra-high-definition low-light image enhancement benchmark dataset created by the State Key Laboratory for Novel Software Technology at Nanjing University. It consists of two subsets, UHD-LOL4K and UHD-LOL8K, which contain images with 4K and 8K resolutions respectively. UHD-LOL4K includes 8099 image pairs, among which 5999 pairs are used for training and 2100 pairs for testing. UHD-LOL8K contains 2966 image pairs, with 2029 pairs allocated for training and 937 pairs for testing. This dataset synthesizes low-light images to simulate real-world scenarios, aiming to address the enhancement problem of ultra-high-definition images in low-light environments and provide support for the research and evaluation of low-light image enhancement algorithms.

原始信息汇总

数据集概述

数据集名称

Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and Transformer-Based Method (AAAI 2023 -- Oral)

数据集描述

该数据集用于超高清低光图像增强任务，包含两个子集：UHD-LOL4K 和 UHD-LOL8K。

UHD-LOL4K

• 包含 8,099 对 4K 低光/正常光图像。
• 其中 5,999 对用于训练，2,100 对用于测试。

UHD-LOL8K

• 包含 2,966 对 8K 低光/正常光图像。
• 其中 2,029 对用于训练，937 对用于测试。

数据集下载链接

• UHD-LOL4K: OneDrive | Baidu drive
• UHD-LOL8K: OneDrive | Baidu drive

预训练模型

• LLFormer 在 UHD-LOL4K 上训练的模型: Google drive | Baidu drive
• LLFormer 在 UHD-LOL8K 上训练的模型: Google drive | Baidu drive

使用方法

依赖安装

1. 创建 Conda 环境 bash conda create -n LLFormer python=3.7 conda activate LLFormer conda install pytorch=1.8 torchvision=0.3 cudatoolkit=10.1 -c pytorch pip install matplotlib scikit-image opencv-python yacs joblib natsort h5py tqdm

2. 克隆仓库 bash git clone https://github.com/TaoWangzj/LLFormer.git

3. 安装 warmup scheduler bash cd LLFormer cd pytorch-gradual-warmup-lr; python setup.py install; cd ..

测试

1. 修改数据集和预训练模型的路径 python

测试参数

input_dir # 数据路径 result_dir # 结果保存路径 weights # 预训练模型路径

2. 测试 LOL 和 MIT-Adobe FiveK 数据集 bash python test.py --input_dir your_data_path --result_dir your_save_path --weights weight_path

3. 测试 UHD-LOL 数据集 bash python test_UHD.py --input_dir your_data_path --result_dir your_save_path --weights weight_path

训练

1. 下载 UHD-LOL 训练和测试数据

2. 从 UHD-LOL 数据集的全分辨率训练图像生成图像块 bash python scripts/extract_subimages_UHD.py

3. 训练 LLFormer bash python train.py -yml_path your_config_path

引用

如果 UHDLOL 基准和 LLFormer 对你的研究或工作有帮助，请考虑引用：

@inproceedings{wang2023ultra, title={Ultra-high-definition low-light image enhancement: A benchmark and transformer-based method}, author={Wang, Tao and Zhang, Kaihao and Shen, Tianrun and Luo, Wenhan and Stenger, Bjorn and Lu, Tong}, booktitle={Proceedings of the AAAI Conference on Artificial Intelligence}, volume={37}, number={3}, pages={2654--2662}, year={2023} }

搜集汇总

数据集介绍

构建方式

UHD-LOL数据集的构建旨在满足现代设备对超高清（UHD）图像处理的需求，特别是低光图像增强（LLIE）任务。该数据集包含两个子集：UHD-LOL4K和UHD-LOL8K，分别包含4K和8K分辨率的图像。UHD-LOL4K子集包含8,099对图像，其中5,999对用于训练，2,100对用于测试。UHD-LOL8K子集包含2,966对图像，其中2,029对用于训练，937对用于测试。这些图像通过从公开数据中获取正常光照的4K和8K图像，并使用随机参数生成低光图像对来构建。

特点

UHD-LOL数据集的主要特点是其高分辨率和大规模的图像对，这使得它成为评估和开发超高清低光图像增强算法的理想基准。此外，该数据集包含了室内外多种场景的图像，涵盖了建筑物、街道、人物、动物和自然景观，提供了丰富的多样性。通过系统化的基准测试，UHD-LOL数据集能够揭示现有LLIE算法在处理UHD图像时的性能和局限性。

使用方法

UHD-LOL数据集可用于训练和评估低光图像增强算法，特别是针对超高清图像的处理。研究者和开发者可以使用该数据集来测试和比较不同算法在低光条件下的表现，从而推动LLIE技术的发展。此外，该数据集还可以用于验证算法在实际应用中的效果，如人脸检测等下游任务。通过提供的源代码和预训练模型，用户可以快速上手并进行相关实验。

背景与挑战

背景概述

随着光学传感器技术的进步，处理大规模图像的需求日益增加。特别是在设备能够捕捉超高清（UHD）图像和视频的情况下，对图像处理管道的性能提出了新的要求。UHD-LOL数据集由南京大学、澳大利亚国立大学、中山大学深圳校区和乐天技术研究所的研究人员共同创建，旨在解决低光图像增强（LLIE）问题。该数据集包含4K和8K分辨率的图像，为探索和评估图像增强算法提供了丰富的资源。UHD-LOL数据集的创建标志着在超高清低光图像增强领域的重要进展，为相关领域的研究提供了新的基准。

当前挑战

UHD-LOL数据集的构建面临多重挑战。首先，现有的低光图像增强方法主要基于低分辨率图像数据集，难以直接应用于超高清图像。其次，超高清图像的处理需要在保证推理效率的同时实现视觉增强，这对算法的设计提出了更高的要求。此外，数据集的构建过程中需要考虑图像的多样性和复杂性，确保数据集能够全面反映实际应用场景中的各种情况。这些挑战不仅涉及到算法的技术创新，还需要在数据采集和处理过程中进行精细的控制和优化。

常用场景

经典使用场景

在超高清低光图像增强领域，UHD-LOL数据集的经典应用场景主要集中在图像处理算法的性能评估和优化上。该数据集包含了4K和8K分辨率的低光图像，为研究人员提供了一个标准化的测试平台，以比较和验证不同低光图像增强（LLIE）算法的有效性。通过在UHD-LOL数据集上的系统性基准测试，研究者可以深入分析现有LLIE方法在处理高分辨率图像时的表现，从而推动该领域的发展。

实际应用

在实际应用中，UHD-LOL数据集及其相关研究成果在多个领域展现了广泛的应用潜力。例如，在监控和安防领域，低光图像增强技术可以显著提高夜间监控视频的质量，增强目标检测和识别的准确性。在自动驾驶和智能交通系统中，该技术有助于提升车辆在低光条件下的视觉感知能力，从而提高行车安全。此外，在消费电子产品如智能手机和相机中，UHD-LOL数据集的研究成果可以用于优化夜间拍摄效果，提升用户体验。

衍生相关工作

UHD-LOL数据集的发布催生了一系列相关研究工作，特别是在低光图像增强和Transformer模型应用方面。例如，LLFormer作为一种基于Transformer的低光增强方法，不仅在UHD-LOL数据集上表现优异，还启发了其他研究者探索Transformer在图像处理领域的应用。此外，该数据集还促进了多尺度特征融合、注意力机制和跨层注意力融合等技术的研究，推动了低光图像增强领域的技术创新和算法优化。