Image Processing Datasets
收藏github2024-04-03 更新2024-05-31 收录
下载链接：
https://github.com/flyywh/Image-Processing-Datasets
下载链接
链接失效反馈官方服务：
资源简介：
一个精选的图像处理数据集列表，涵盖了亮度增强、HDR、色彩增强和图像修复等领域。
A curated list of image processing datasets, encompassing areas such as brightness enhancement, HDR, color enhancement, and image restoration.
创建时间：
2018-07-18
原始信息汇总
数据集概述
本数据集是一个精选的图像处理数据集列表，涵盖了图像增强、修复、去噪、超分辨率、去雾和去模糊等多个领域。数据集由Wenjing Wang, Dejia Xu, Qingyang Li, Wenhan Yang维护，并由北京大学STRUCT实验室（PI: Prof. Jiaying Liu）支持。
数据集分类
1. 图像增亮（Brightening）
- VIP-LowLight Dataset
- 描述：八张在极低光条件下拍摄的自然图像。
- 来源：WEB
- ReNOIR
- Raw Image Low-Light Object Dataset
- 描述：低光条件下的对象数据集。
- 来源：WEB
- Learning to See in the Dark
- ExDARK
- 描述：专门为低光图像设计的数据集。
- 来源：PDF
2. 颜色增强（Color-Enhancement）
- MIT FiveK dataset
- LRAICE-Dataset
- DPED dataset
- The 500px Dataset
- 描述：用于照片后期处理框架的数据集。
- 来源：PDF
3. 图像修复（Image-Inpainting）
- Image Inpainting
- 描述：用于图像修复的数据集。
- 来源：WEB
4. 图像去噪（Image Denoising）
- Smartphone Image Denoising Dataset
- 描述：用于智能手机相机的高质量去噪数据集。
- 来源：PDF
- Darmstadt Noise Dataset
- PolyU Dataset
- RENOIR Dataset
- Holistic Dataset
5. 超分辨率和上采样（Super-Resolution and Up-Sampling）
- Train91
- Set5
- Set14
- 描述：用于单图像尺度上使用稀疏表示的数据集。
- 来源：PDF
- B100
- Urban100
- DIV2K
- LIVE
- Super-Resolution Erlangen (SupER)
6. 去雾（Dehazing）
- Waterloo IVC Dehazed Image Database
- FRIDA dataset
- D-HAZY
- CHIC
- 描述：用于雾模型和去雾方法评估的彩色图像数据库。
- 来源：PDF
- HazeRD
- I-HAZE
- 描述：具有真实雾和无雾户外图像的去雾基准。
- 来源：PDF
- O-HAZE
- RESIDE: A Benchmark for Single Image Dehazing
7. 去模糊（Deblurring）
- Motion Blurred Data
- Blurred Data
- Deconvolution Dataset
- Blurred Data
- Text Deblurring Dataset
8. 去雨（De-Raining）
单图像雨条纹去除
- Rain Streak Database
- Rain12
- Rain100L, Rain20L and Rain100H
- Rain800
- DID-MDN
视频图像雨条纹去除
雨滴去除
搜集汇总
数据集介绍
构建方式
Image Processing Datasets 是一个精心策划的图像处理数据集集合，涵盖了亮度增强、高动态范围（HDR）、色彩增强和图像修复等多个领域。该数据集由北京大学结构实验室的团队维护，团队成员包括Wenjing Wang、Dejia Xu、Qingyang Li和Wenhan Yang。数据集的构建基于多个公开的学术研究项目，每个子数据集都经过严格的筛选和整理，确保其在不同图像处理任务中的适用性和代表性。数据集中的图像来源多样，包括自然场景、低光照条件下的拍摄、以及通过专业设备捕获的高质量图像。
使用方法
Image Processing Datasets 的使用方法灵活多样，适用于多种图像处理算法的开发和评估。研究人员可以根据具体任务选择相应的子数据集进行实验。例如，在低光照图像增强任务中，可以使用VIP-LowLight Dataset 或ReNOIR数据集；在色彩增强任务中，MIT FiveK dataset 和DPED dataset 提供了丰富的图像对供算法训练和测试。对于图像去噪任务，Smartphone Image Denoising Dataset 和Darmstadt Noise Dataset 提供了真实场景下的噪声图像及其对应的干净图像。此外，数据集中的每个子集都附带了详细的文档和相关论文链接，方便研究人员快速上手并进行深入分析。
背景与挑战
背景概述
Image Processing Datasets 是由北京大学视觉与图像处理实验室（STRUCT）的Wenjing Wang、Dejia Xu、Qingyang Li和Wenhan Yang等人维护的一个图像处理数据集集合，涵盖了图像增强、去噪、超分辨率、去雾、去雨等多个领域。该数据集的创建旨在为图像处理领域的研究人员提供一个全面的资源库，以支持各种图像处理任务的研究与开发。自2010年代以来，随着深度学习技术的快速发展，图像处理领域对高质量数据集的需求日益增加，Image Processing Datasets应运而生，成为该领域的重要参考资源之一。该数据集不仅包含了多个经典数据集，如MIT FiveK、DIV2K等，还引入了许多新兴数据集，如ExDARK、RESIDE等，极大地推动了图像处理算法的创新与优化。
当前挑战
Image Processing Datasets面临的挑战主要体现在两个方面。首先，图像处理任务本身具有极高的复杂性，例如低光照条件下的图像增强、去噪、超分辨率等任务，要求算法能够处理多种噪声、模糊和失真问题，同时保持图像的细节和真实性。这些任务对数据集的多样性和质量提出了极高的要求。其次，数据集的构建过程中也面临诸多挑战，例如如何获取真实场景下的高质量图像、如何确保数据集的标注准确性、以及如何处理不同设备、光照条件下的图像差异等。此外，随着图像处理技术的不断进步，数据集需要不断更新和扩展，以涵盖更多复杂场景和新兴任务，这对数据集的维护和更新提出了持续的要求。
常用场景
经典使用场景
在图像处理领域，Image Processing Datasets广泛应用于低光照增强、色彩校正、图像修复、去噪、超分辨率、去雾、去模糊以及去雨等任务。这些数据集为研究人员提供了丰富的实验素材，特别是在低光照条件下图像增强和去噪方面，数据集如VIP-LowLight和ReNOIR为算法开发提供了真实场景下的低光照图像，帮助研究者验证和改进图像增强技术。
解决学术问题
该数据集解决了图像处理中的多个关键学术问题，包括低光照条件下的图像质量提升、色彩失真校正、图像修复中的缺失区域填充、噪声去除、图像超分辨率重建、雾霾去除、模糊图像恢复以及雨滴去除等。通过提供多样化的真实场景数据，研究者能够更准确地评估和优化算法性能，推动图像处理技术的发展。
实际应用
在实际应用中，Image Processing Datasets为智能手机相机、监控系统、自动驾驶、医学影像等领域提供了重要的技术支持。例如，低光照增强技术可提升夜间监控图像的质量，去噪算法可改善医学影像的清晰度，超分辨率技术则能增强卫星图像的细节。这些应用显著提升了图像处理技术在现实世界中的实用性和可靠性。
数据集最近研究
最新研究方向
近年来，图像处理领域的研究方向日益多元化，特别是在低光照增强、色彩增强、图像修复和去噪等方面取得了显著进展。低光照增强技术通过深度学习模型，如《Learning to See in the Dark》中提出的方法，显著提升了在极低光照条件下的图像质量。色彩增强方面，MIT FiveK数据集和DPED数据集的研究推动了从移动设备到专业级图像质量的跨越。图像修复技术，尤其是基于深度学习的图像修复方法，如《Deep Joint Rain Detection and Removal From a Single Image》中提出的联合检测与去除雨滴的方法，极大地提升了图像修复的精度和效率。去噪技术方面，Smartphone Image Denoising Dataset和Darmstadt Noise Dataset的研究为智能手机图像去噪提供了新的基准和解决方案。这些研究不仅推动了图像处理技术的发展，也为实际应用提供了强有力的支持，如自动驾驶、安防监控和医学影像分析等领域。
以上内容由遇见数据集搜集并总结生成
