ZSLDB

ZSLDB数据集是都灵理工大学的研究团队创建的，用于研究智能手机Lidar传感器在图像去模糊中的应用。该数据集包含了45个场景，主要是在室内环境中拍摄的受运动模糊影响的低光图像，以及对应的Lidar深度图和清晰的地面真实图像。这些数据是通过苹果iPhone 15Pro智能手机采集的。该数据集旨在解决当前图像去模糊研究中缺乏真实模糊图像和配对Lidar深度图数据集的问题，以便进一步研究Lidar引导的去模糊技术。

The ZSLDB dataset was developed by the research team at Politecnico di Torino to investigate the application of smartphone Lidar sensors in image deblurring. This dataset includes 45 scenarios, primarily low-light images captured in indoor environments with motion blur artifacts, paired with corresponding Lidar depth maps and sharp ground-truth images. All data were collected using an Apple iPhone 15 Pro smartphone. This dataset aims to address the gap of datasets with real blurred images and paired Lidar depth maps in current image deblurring research, to facilitate further studies on Lidar-guided deblurring technologies.

原始信息汇总

数据集概述

基本信息

• 数据集名称：Zero-shot Lidar DeBlur (ZSLDB)
• 关联论文：A. Montanaro, D. Valsesia - "A novel method and dataset for depth-guided image deblurring from smartphone Lidar", ICIP 2025

数据集内容

• 数据来源：低光智能手机图像与关联的激光雷达深度图
• 具体数据：使用"resized_45"数据

数据集获取

• 地址：https://github.com/diegovalsesia/licam-dataset

项目资助

• 项目名称：LICAM -“AI-powered LIDAR fusion for next-generation smartphone cameras (LICAM)”
• 资助机构：European Union – Next Generation EU
• 项目计划：PRIN 2022 program (D.D. 104 - 02/02/2022 Ministero dell’Università e della Ricerca)

搜集汇总

数据集介绍

构建方式

在智能手机图像处理领域，ZSLDB数据集的构建填补了真实模糊图像与激光雷达深度图配对数据的空白。该数据集采用苹果iPhone 15 Pro设备，在低光照环境下采集45组室内场景数据，每组包含运动模糊图像、配准的激光雷达深度图及稳定拍摄的清晰地面真值图像。通过多模态传感器同步采集，确保了空间对齐精度，为深度引导去模糊研究提供了真实世界的数据基础。

特点

ZSLDB数据集的核心特征体现在其多模态数据结构的创新性。数据集首次实现了真实运动模糊图像、手机激光雷达深度图与高精度地面真值的三元配对，其中深度图通过主动传感技术捕捉了场景的几何边界信息。数据采集专注于室内近距场景，充分发挥激光雷达在物体边界检测方面的优势，同时包含粗配准的DSLR图像作为分布级质量评估参考，增强了数据集的学术价值。

使用方法

该数据集专为评估深度引导去模糊算法而设计，研究人员可通过对比模糊图像与深度图的融合特征来优化重建算法。使用时应将图像裁剪至512×512分辨率以兼容主流扩散模型，通过计算LPIPS等感知指标量化去模糊效果。数据集支持零样本学习方法验证，无需预训练即可测试深度信息对图像重建的正则化效果，为智能手机多模态成像研究提供基准平台。

背景与挑战

背景概述

随着智能手机集成激光雷达传感器成为多模态成像设备，图像处理领域迎来新的研究机遇。ZSLDB数据集由意大利都灵理工大学Antonio Montanaro和Diego Valsesia团队于2025年创建，旨在解决低光环境下运动模糊图像与激光雷达深度图配对数据缺失的问题。该数据集通过苹果iPhone 15 Pro采集真实模糊图像、配准深度图及清晰真值图像，为深度引导图像去模糊研究提供了首例真实场景数据支撑，推动了智能手机多模态成像在计算机视觉领域的发展。

当前挑战

该数据集核心挑战在于解决真实场景中运动模糊图像的深度引导复原问题，需克服模糊核未知条件下的盲去模糊技术难点。构建过程中面临双重挑战：一是低光环境下同步采集高质量深度图与模糊图像的传感器协同难题，二是真实模糊数据与激光雷达深度信息的高精度时空配准问题，这要求突破传统模拟数据集的局限性，实现多模态数据的严格对齐。

常用场景

经典使用场景

在计算摄影学领域，ZSLDB数据集为深度引导图像去模糊研究提供了关键支持。该数据集通过智能手机LiDAR传感器采集的真实运动模糊图像与配对的深度图，成为评估去模糊算法性能的黄金标准。研究者利用其多模态特性，能够验证深度信息在恢复图像细节边界方面的有效性，尤其在低光照条件下运动模糊的复原任务中展现卓越价值。

解决学术问题

该数据集解决了移动端计算摄影中缺乏真实模糊-深度配对数据的核心难题，为深度引导去模糊算法提供了可靠的基准测试平台。其意义在于突破了传统合成数据集的局限性，使研究者能够验证算法在真实场景下的泛化能力，推动盲去模糊与零样本学习方法的融合发展，为多模态传感器融合理论提供了实证基础。

衍生相关工作

基于该数据集衍生的经典工作包括深度引导扩散模型在图像复原任务中的创新应用。研究者开发了零样本去模糊框架ZSLDB，将ControlNet架构与去噪扩散模型相结合，实现了无需配对训练数据的深度引导复原。后续研究进一步探索了深度边缘信息与语义特征的融合机制，推动了多模态生成模型在计算摄影领域的发展。