Flare7K

Flare7K数据集是首个针对夜间镜头光晕移除的大规模数据集，由南洋理工大学S-Lab创建。该数据集包含5000张散射光晕和2000张反射光晕图像，总计7000种光晕模式，涵盖25种散射光晕和10种反射光晕类型。数据集通过分析真实世界夜间镜头光晕的特征，精心设计合成光晕图像，以模拟真实场景中的光晕现象。Flare7K不仅提供丰富的光晕模式，还包含详细的光源、闪光、反射光晕和条纹等注释，有助于推动夜间光晕移除技术的研究，并支持更精细的光晕模式分析。该数据集的应用领域包括提升夜间图像质量及增强夜间视觉算法的稳定性，旨在解决夜间摄影中光晕问题，提高图像清晰度和视觉算法的性能。

The Flare7K dataset is the first large-scale dataset dedicated to nighttime lens flare removal, developed by S-Lab at Nanyang Technological University (NTU). This dataset consists of 5,000 scattered flare images and 2,000 reflective flare images, totaling 7,000 flare patterns, covering 25 types of scattered flares and 10 types of reflective flares. It is constructed by synthesizing flare images based on the analysis of real-world nighttime lens flare characteristics to accurately simulate flare phenomena in actual shooting scenarios. Beyond offering a rich collection of flare patterns, Flare7K also provides detailed annotations for light sources, glints, reflective flares, streaks and other relevant elements, which helps promote research on nighttime flare removal technology and supports more precise analysis of flare patterns. The dataset can be applied to improve nighttime image quality and enhance the stability of nighttime vision algorithms, aiming to solve flare issues in nighttime photography and elevate both image clarity and the performance of vision algorithms.

搜集汇总

数据集介绍

构建方式

在夜间图像处理领域，Flare7K数据集的构建采用了基于真实世界夜间镜头光晕观测与统计的合成方法。研究团队通过采集数百张使用不同镜头和光源的夜间光晕图像作为参考，将散射光晕归纳为25种典型模式，反射光晕归纳为10种典型模式。利用Adobe After Effects中的Optical Flares插件，通过参数化调整模拟了光晕的物理特性，最终生成了5,000张散射光晕和2,000张反射光晕图像。这些光晕模式可随机叠加至无光晕图像上，形成具有配对关系的训练数据。

特点

Flare7K作为首个专注于夜间光晕去除的数据集，其核心特点在于对夜间人工光源产生的复杂光晕现象进行了系统性建模。数据集涵盖了散射光晕与反射光晕两大类别，其中散射光晕进一步细分为光源、条纹和眩光等可解析组件。与现有光晕数据集相比，Flare7K提供了丰富的光晕组件标注信息，包括光源区域、反射光晕和条纹的精确标注。这种分层标注结构不仅增强了数据集的解释性，还为光晕组件分割、光源提取等细粒度分析任务提供了可能。

使用方法

该数据集主要用于训练深度学习模型以实现夜间镜头光晕的去除。研究人员可将光晕图像与无光噪图像配对，构建端到端的图像恢复训练框架。数据集支持多种网络架构的基准测试，包括U-Net、HINet、MPRNet等先进图像恢复模型。在实际应用中，训练完成的模型能够有效处理智能手机、车载摄像头等设备在夜间拍摄时产生的光晕伪影，提升图像视觉质量。此外，数据集提供的组件标注可用于辅助任务，如光晕分割网络训练和光源提取算法开发，进一步扩展其在计算机视觉领域的应用范围。

背景与挑战

背景概述

在计算摄影与计算机视觉领域，夜间成像中的镜头光晕伪影是长期存在的棘手问题。由南洋理工大学S-Lab的研究团队于2022年提出的Flare7K数据集，标志着该领域的重要突破。该数据集旨在解决夜间环境下人造光源引发的散射光晕与反射光晕的去除难题，其核心研究问题聚焦于如何通过大规模高质量配对数据，训练深度学习模型以有效恢复被复杂光斑污染的夜间图像。作为首个专门针对夜间光晕去除的大规模数据集，Flare7K不仅填补了该细分领域的数据空白，更通过其丰富的组件级标注，为光晕模式分析、光源提取等细粒度研究提供了全新基准，显著推动了夜间图像增强与自动驾驶等下游应用的算法鲁棒性发展。

当前挑战

Flare7K数据集所应对的核心领域挑战，在于夜间复杂光晕的高保真去除。夜间人造光源的独特亮度与光谱特性，结合镜头表面难以预测的划痕、油污等随机缺陷，导致光晕模式呈现出极高的多样性与复杂性，例如彩虹状晕影与彩色摩尔纹，这远超现有基于白日光晕的模型处理能力。在数据集构建层面，挑战同样严峻：真实夜间光晕的配对数据极其稀缺，难以通过传统采集方式获得；同时，基于物理的仿真方法因难以遍历所有可能的镜头污染类型与光学参数，存在显著的域鸿沟问题。Flare7K通过基于真实观测的现象学合成方法，旨在弥合合成数据与真实夜间场景之间的差异，并生成涵盖25种散射光晕与10种反射光晕的多样化模式，以应对上述双重挑战。

常用场景

经典使用场景

在计算摄影与计算机视觉领域，夜间成像常因人造光源产生复杂的镜头光晕伪影，严重影响图像质量与算法性能。Flare7K数据集作为首个专注于夜间光晕移除的大规模数据集，其最经典的使用场景在于为深度学习模型提供高质量的配对训练数据。通过将7000种精心合成的散射光晕与反射光晕图案叠加至无光晕图像上，研究者能够构建出逼真的夜间光晕退化图像及其对应的清晰真值，从而系统性地训练和评估光晕移除网络。该数据集尤其适用于模拟智能手机、车载摄像头等消费级设备在低照度环境下因镜头污渍、划痕或结构缺陷所引发的各类光晕现象，为算法在真实夜间场景中的泛化能力提供了坚实基础。

解决学术问题

Flare7K数据集有效解决了夜间光晕移除研究中长期存在的关键学术问题。此前，该领域缺乏高质量的配对数据，导致基于学习的方法难以处理夜间人造光源所特有的亮度、光谱及多样化的光晕模式。该数据集通过提供25类散射光晕与10类反射光晕的丰富图案，并辅以光源、条纹、眩光等精细标注，首次实现了对夜间光晕现象的规模化、结构化建模。这不仅直接推动了高性能夜间光晕移除网络的发展，还促进了光晕成分分析、光源分离等细粒度研究任务的开展，填补了昼夜光晕域间差异的理论与实践空白，为计算成像领域的模型鲁棒性与物理可解释性研究提供了新的基准。

衍生相关工作

Flare7K数据集的发布催生了一系列围绕夜间光晕处理的衍生研究工作。基于其提供的成分级标注，研究者开发了专门的光晕成分分割网络，如采用PSPNet架构对条纹、眩光及光源区域进行精确分离，为后续修复任务提供结构先验。在光源提取方面，利用数据集中分离的光源图像训练U-Net网络，能够比传统的阈值羽化方法更自然地恢复光源周围的辉光效果。此外，该数据集推动了以U-Net、Uformer、Restormer等先进图像修复网络为骨干的夜间光晕移除基准测试，促进了Transformer等新型架构在该任务上的应用与比较。这些工作不仅深化了对光晕物理成因的理解，也为多任务联合学习与模型轻量化等方向提供了新的数据支撑与研究范式。