MRSHaze

arXiv2025-03-17 更新2024-06-21 收录

下载链接：

https://github.com/mmic-lcl/Datasets-and-benchmark-code

下载链接

链接失效反馈

资源简介：

MRSHaze是一个大规模的基准数据集，包含8000对时间同步、精确地理配准的高分辨率SAR和光学图像，涵盖各种场景下的多种雾气条件。该数据集旨在促进SAR引导的光学遥感图像去雾研究，解决现有数据集在规模、分辨率和精确配准方面的局限性。

提供机构：

安徽大学多模态认知计算安徽省重点实验室

创建时间：

2025-03-17

AI搜集汇总

数据集介绍

构建方式

MRSHaze数据集的构建基于Sentinel-1和Sentinel-2卫星的高分辨率图像，包含8,000对时间同步且精确地理配对的SAR-光学图像。SAR数据通过干涉宽幅模式获取，并经过正交校正、多视角处理和BM3D算法降噪。光学数据则从Sentinel-2 L2A产品中选取，确保云覆盖率不超过0.5%。为了生成合成雾霾图像，研究人员将清晰的遥感图像与从Sentinel-3 SLSTR产品中提取的云掩膜结合，并通过预训练的CycleGAN模型生成逼真的雾霾模式。所有图像对均经过精确的地理配准，以确保空间一致性。

使用方法

MRSHaze数据集主要用于评估和开发SAR引导的光学遥感图像去雾算法。研究人员可以使用该数据集训练和测试去雾模型，特别是那些依赖于跨模态融合的模型。数据集中的SAR图像提供了无雾的参考信息，帮助模型在去雾过程中更好地恢复细节。此外，MRSHaze还可用于评估去雾算法在下游任务（如语义分割和目标检测）中的表现。通过使用该数据集，研究人员能够更全面地评估算法在不同雾霾条件下的鲁棒性和适应性。

背景与挑战

背景概述

MRSHaze数据集由安徽大学多模态认知计算安徽省重点实验室的研究团队于2025年创建，旨在解决光学遥感图像去雾领域的关键问题。该数据集包含8000对高分辨率、时间同步且精确地理配准的SAR-光学图像，涵盖了多种雾霾条件下的场景。MRSHaze的推出填补了现有数据集在规模、分辨率和配准精度上的不足，为SAR引导的光学遥感图像去雾研究提供了重要的基准。该数据集不仅推动了去雾算法的发展，还对遥感图像分析的下游任务如语义分割等产生了深远影响。

当前挑战

MRSHaze数据集面临的挑战主要体现在两个方面：首先，光学遥感图像去雾本身是一个高度不适定问题，由于缺乏无雾参考图像，传统的单图像去雾方法在处理复杂且非均匀分布的雾霾时往往难以恢复清晰细节。其次，SAR图像与光学图像之间存在显著的模态差异，直接融合可能导致无雾区域的图像质量下降，且特征质量的不稳定性进一步加剧了跨模态域偏移问题。此外，构建过程中还面临SAR图像噪声处理、光学与SAR图像精确配准等挑战，这些因素共同增加了数据集的构建难度。

常用场景

经典使用场景

MRSHaze数据集在光学遥感图像去雾领域具有广泛的应用场景。其最经典的使用场景是作为SAR（合成孔径雷达）引导的光学遥感图像去雾算法的基准测试平台。通过提供高分辨率、精确对齐的SAR-光学图像对，MRSHaze能够有效支持去雾算法的训练与评估，尤其是在处理大范围、非均匀分布的雾霾场景时表现出色。该数据集还广泛应用于遥感图像的下游任务，如语义分割和目标检测，为这些任务提供了高质量的输入数据。

解决学术问题

MRSHaze数据集解决了光学遥感图像去雾领域中的多个关键学术问题。首先，它通过提供精确对齐的SAR-光学图像对，解决了传统单图像去雾方法缺乏参考信息的问题，显著提升了去雾效果。其次，该数据集通过引入多样化的雾霾分布和浓度，解决了现有数据集在雾霾分布非均匀性方面的不足，为开发更具鲁棒性的去雾算法提供了基础。此外，MRSHaze还解决了SAR图像噪声对去雾效果的影响问题，通过预处理去噪技术提升了SAR图像的质量，从而改善了跨模态融合的效果。

实际应用

MRSHaze数据集在实际应用中具有重要价值。在军事领域，它可用于提升战场环境下的遥感图像清晰度，增强目标识别和侦察能力。在农业和林业领域，该数据集支持高精度的植被监测和灾害评估，帮助决策者更好地理解地表变化。此外，MRSHaze还可用于城市规划、环境监测和气候变化研究，为这些领域提供高质量的遥感数据支持。其高分辨率和精确对齐的特性使得该数据集在多种实际场景中表现出色，推动了遥感图像处理技术的实际落地。

数据集最近研究