AIM 2025 Low-light RAW Video Denoising Challenge Dataset

AIM 2025 低光照 RAW 视频降噪挑战数据集由 14 个智能手机相机传感器在 9 种条件下（照度：1/5/10 lx；曝光：1/24、1/60、1/120 秒）捕获的 756 个十帧序列组成，通过爆发平均获得高信噪比参考。数据集用于训练和验证，以促进低光照 RAW 视频降噪技术的发展。

The AIM 2025 Low-Light RAW Video Denoising Challenge Dataset comprises 756 ten-frame sequences captured by 14 smartphone camera sensors under 9 distinct conditions (illuminance: 1/5/10 lx; exposure: 1/24, 1/60, 1/120 s). High signal-to-noise ratio references are obtained via burst averaging. This dataset is utilized for training and validation purposes to facilitate the advancement of low-light RAW video denoising technologies.

搜集汇总

数据集介绍

构建方式

在低光视频去噪研究领域，数据采集的精确性与多样性至关重要。该数据集通过自动化轨道系统，将14款智能手机传感器固定于电动线性平移台上，在严格控制的光照条件下（1/5/10 lx）以三种曝光时间（1/24/1/60/1/120秒）采集数据。采用步进运动模式：移动设备至指定位置后捕获单帧，重复此过程生成10帧RAW序列，最终通过200帧（训练集）或500帧（测试集） burst averaging 技术合成高信噪比参考帧，确保数据真实性与对齐精度。

使用方法

数据集使用时需处理10帧线性RAW视频序列，输出第10帧的去噪结果并严格保持拜耳模式。评估阶段需提交中心1024×1024裁剪区域，以全参考指标PSNR和SSIM在私有测试集上进行量化评估。参与者可利用附加的20个噪声实例增强模型鲁棒性，最终排名依据两项指标的平均秩次确定，确保评估的全面性与公正性。

背景与挑战

背景概述

低光照RAW视频去噪是计算摄影与计算机视觉领域的关键挑战，尤其在智能手机摄影普及的背景下。AIM 2025低光照RAW视频去噪挑战数据集由莫斯科国立大学、维尔茨堡大学等机构于2025年联合创建，旨在解决极端暗光条件下视频帧率与曝光时间的物理约束问题。该数据集通过自动化轨道系统采集了14种手机传感器在9种光照-曝光组合下的756段序列，采用多帧平均生成高信噪比参考帧，为RAW视频去噪算法提供了首个多设备、多条件的标准化基准。

当前挑战

该数据集核心挑战集中于低光照RAW视频的时空噪声建模与运动对齐：其一，领域问题层面需克服短曝光下的读噪声与光子散粒噪声叠加、传感器特异性信号依赖噪声，以及帧间运动导致的时空冗余利用困难；其二，构建过程中需通过精密机械轨道实现多传感器对齐捕获，解决暗光下参考帧生成时黑电平校准与负噪声截断问题，并确保九种光照-曝光条件下亮度一致性。

常用场景

经典使用场景

在低光照RAW视频去噪研究领域，该数据集通过多传感器、多光照条件的精密设计，为算法开发提供了标准化评估基准。其经典使用场景集中于智能手机摄像头的极端低光环境，模拟真实拍摄中1-10勒克斯照度与1/24-1/120秒曝光的组合，研究者可利用十帧RAW序列探索时序冗余性，通过多帧对齐与融合技术提升信噪比，同时保持拜耳阵列的原始数据特性。

解决学术问题

该数据集有效解决了低光视频去噪中运动模糊与噪声耦合的学术难题，通过高精度运动控制平台与多帧平均参考真值，消除了合成退化数据的局限性。其意义在于首次实现了跨传感器、跨光照条件的标准化评估，推动了对信号相关噪声建模、时序对齐机制以及传感器特异性适应的研究，为计算机视觉与计算摄影领域提供了可复现的实验基础。

实际应用

在实际应用中，该数据集直接服务于智能手机影像系统的优化，尤其在夜间摄影、安防监控与医疗显微成像等低光场景中发挥关键作用。通过提升RAW视频的视觉质量，支持下游任务如目标检测、运动分析与实时视频增强，同时为移动端芯片的算法部署提供训练基础，推动边缘计算设备在极端光照条件下的性能突破。

数据集最近研究

最新研究方向

随着移动端计算摄影技术的飞速发展，低光照RAW视频去噪已成为计算机视觉领域的前沿热点。AIM 2025挑战赛推出的多传感器数据集通过模拟真实场景中的曝光时间（1/24-1/120秒）与照度（1-10勒克斯）组合，为信号依赖型噪声建模提供了前所未有的基准。当前研究聚焦于时空冗余挖掘，如冠军方案SNU-ISPL提出的条件化捕获参数感知架构与选择性扫描机制，以及XJAI团队设计的层次化Transformer框架，显著提升了动态场景下的噪声鲁棒性。该数据集通过精密控制的运动轨道与多帧平均真值获取技术，解决了传统数据集中运动模糊与对齐误差的痛点，为端侧设备实现影院级低光视频质量奠定了数据基础。

相关研究论文

• AIM 2025 Low-light RAW Video Denoising Challenge: Dataset, Methods and Results

  AIM 2025 (Advances in Image Manipulation) · 2025年