bhowmikabhimanyu/seathru-dataset

--- license: - cc-by-nc-sa-4.0 converted_from: kaggle kaggle_id: colorlabeilat/seathru-dataset --- # Dataset Card for Seathru Dataset ## Table of Contents - [Table of Contents](#table-of-contents) - [Dataset Description](#dataset-description) - [Dataset Summary](#dataset-summary) - [Supported Tasks and Leaderboards](#supported-tasks-and-leaderboards) - [Languages](#languages) - [Dataset Structure](#dataset-structure) - [Data Instances](#data-instances) - [Data Fields](#data-fields) - [Data Splits](#data-splits) - [Dataset Creation](#dataset-creation) - [Curation Rationale](#curation-rationale) - [Source Data](#source-data) - [Annotations](#annotations) - [Personal and Sensitive Information](#personal-and-sensitive-information) - [Considerations for Using the Data](#considerations-for-using-the-data) - [Social Impact of Dataset](#social-impact-of-dataset) - [Discussion of Biases](#discussion-of-biases) - [Other Known Limitations](#other-known-limitations) - [Additional Information](#additional-information) - [Dataset Curators](#dataset-curators) - [Licensing Information](#licensing-information) - [Citation Information](#citation-information) - [Contributions](#contributions) ## Dataset Description - **Homepage:** https://kaggle.com/datasets/colorlabeilat/seathru-dataset - **Repository:** - **Paper:** - **Leaderboard:** - **Point of Contact:** ### Dataset Summary This dataset consists of the ~1100 images, across 5 scenes, that were published as a part of the Akkaynak & Treibitz CVPR 2019 paper. You may download the paper from here --> https://openaccess.thecvf.com/content_CVPR_2019/papers/Akkaynak_Sea-Thru_A_Method_for_Removing_Water_From_Underwater_Images_CVPR_2019_paper.pdf. There are 5 datasets (D1-D5). Each dataset consists of 1) N linear images with no color correction, and 2) N depth maps corresponding to each image. N is different for each dataset, please see paper for details. Each of the 5 scenes are chosen according to different feature that is important in underwater imaging; e.g., the imaging distance between the camera and the scene, camera looking forward or downward, different optical conditions, etc. See paper for details of each dataset. Each set consists of multiple overlapping images so it is possible to build a 3D model of the scene using SFM, which is indeed what we have done to obtain the depth maps corresponding to each image using Agisoft Metashape Pro. For space constraints, instead of the original RAW files, we provide linear images in PNG format. These images have been scaled in size to be 0.3 of the original size. If you have a need for the actual RAW images, please get in touch. The zero values in depth maps should be interpreted as NaNs, for which no depth information was possible to calculate. Zero is not a valid depth value. The depth maps are scaled (in meters). ### Supported Tasks and Leaderboards [More Information Needed] ### Languages [More Information Needed] ## Dataset Structure ### Data Instances [More Information Needed] ### Data Fields [More Information Needed] ### Data Splits [More Information Needed] ## Dataset Creation ### Curation Rationale [More Information Needed] ### Source Data #### Initial Data Collection and Normalization [More Information Needed] #### Who are the source language producers? [More Information Needed] ### Annotations #### Annotation process [More Information Needed] #### Who are the annotators? [More Information Needed] ### Personal and Sensitive Information [More Information Needed] ## Considerations for Using the Data ### Social Impact of Dataset [More Information Needed] ### Discussion of Biases [More Information Needed] ### Other Known Limitations [More Information Needed] ## Additional Information ### Dataset Curators This dataset was shared by [@colorlabeilat](https://kaggle.com/colorlabeilat) ### Licensing Information The license for this dataset is cc-by-nc-sa-4.0 ### Citation Information ```bibtex [More Information Needed] ``` ### Contributions [More Information Needed]许可证： - 知识共享署名-非商业性使用-相同方式共享4.0国际许可协议（CC-BY-NC-SA-4.0） 转换来源：Kaggle Kaggle数据集ID：colorlabeilat/seathru-dataset # Seathru数据集卡片 ## 目录 - [目录](#目录) - [数据集描述](#数据集描述) - [数据集概述](#数据集概述) - [支持任务与排行榜](#支持任务与排行榜) - [语言](#语言) - [数据集结构](#数据集结构) - [数据实例](#数据实例) - [数据字段](#数据字段) - [数据划分](#数据划分) - [数据集构建](#数据集构建) - [构建初衷](#构建初衷) - [源数据](#源数据) - [标注信息](#标注信息) - [个人与敏感信息](#个人与敏感信息) - [数据使用注意事项](#数据使用注意事项) - [数据集的社会影响](#数据集的社会影响) - [偏差讨论](#偏差讨论) - [其他已知局限性](#其他已知局限性) - [附加信息](#附加信息) - [数据集维护者](#数据集维护者) - [许可证信息](#许可证信息) - [引用信息](#引用信息) - [贡献内容](#贡献内容) ## 数据集描述 - **主页：** https://kaggle.com/datasets/colorlabeilat/seathru-dataset - **仓库地址：** - **论文链接：** - **排行榜：** - **联系方式：** ### 数据集概述 本数据集包含约1100张图像，涵盖5个场景，源自Akkaynak与Treibitz发表于2019年国际计算机视觉与模式识别会议（Conference on Computer Vision and Pattern Recognition，简称CVPR）的论文。您可通过以下链接下载该论文：https://openaccess.thecvf.com/content_CVPR_2019/papers/Akkaynak_Sea-Thru_A_Method_for_Removing_Water_From_Underwater_Images_CVPR_2019_paper.pdf。 本数据集包含5个子集（D1至D5），每个子集包含两部分内容：1）N张未经过色彩校正的线性图像；2）与每张图像对应的N张深度图。每个子集的N值各不相同，详细信息请参阅原论文。 5个场景均根据水下成像中的关键特征进行选取，例如相机与拍摄场景的成像距离、相机俯仰角度、不同光学环境条件等。各子集的详细说明请参阅原论文。 每个场景包含多张重叠拍摄的图像，因此可通过结构从运动（Structure from Motion，简称SFM）构建场景的三维模型，本数据集正是通过Agisoft Metashape Pro软件为每张图像生成了对应的深度图。 受存储空间限制，本次发布的并非原始RAW格式文件，而是PNG格式的线性图像，且图像尺寸被缩放至原尺寸的0.3倍。若您需要获取原始RAW格式图像，请与我们联系。 深度图中的零值应视为缺失值（NaN），代表无法计算对应的深度信息，零并非有效的深度数值。深度图的单位为米。 ### 支持任务与排行榜 [需要更多信息] ### 语言 [需要更多信息] ## 数据集结构 ### 数据实例 [需要更多信息] ### 数据字段 [需要更多信息] ### 数据划分 [需要更多信息] ## 数据集构建 ### 构建初衷 [需要更多信息] ### 源数据 #### 初始数据收集与归一化 [需要更多信息] #### 源数据生产者是谁？ [需要更多信息] ### 标注信息 #### 标注流程 [需要更多信息] #### 标注者是谁？ [需要更多信息] ### 个人与敏感信息 [需要更多信息] ## 数据使用注意事项 ### 数据集的社会影响 [需要更多信息] ### 偏差讨论 [需要更多信息] ### 其他已知局限性 [需要更多信息] ## 附加信息 ### 数据集维护者 本数据集由[@colorlabeilat](https://kaggle.com/colorlabeilat)共享。 ### 许可证信息 本数据集采用知识共享署名-非商业性使用-相同方式共享4.0国际许可协议（CC-BY-NC-SA-4.0）进行授权。 ### 引用信息 bibtex [需要更多信息] ### 贡献内容 [需要更多信息]

原始信息汇总

数据集卡片 for Seathru 数据集

数据集描述

数据集摘要

该数据集包含约1100张图像，跨越5个场景，这些图像是作为Akkaynak & Treibitz CVPR 2019论文的一部分发布的。数据集包括5个子集（D1-D5），每个子集包含：

1. N张未经颜色校正的线性图像。
2. N张与每张图像对应的深度图。N的值因子集而异，详见论文。

每个场景根据水下成像中的重要特征选择，例如相机与场景之间的成像距离、相机向前或向下看、不同的光学条件等。每个子集包含多张重叠图像，可以使用SFM构建场景的3D模型，从而获得与每张图像对应的深度图。

由于空间限制，我们提供的是PNG格式的线性图像，这些图像已按原始大小的0.3进行缩放。深度图中的零值应解释为NaN，表示无法计算深度信息。深度图以米为单位进行缩放。

支持的任务和排行榜

[更多信息需补充]

语言

[更多信息需补充]

数据集结构

数据实例

[更多信息需补充]

数据字段

[更多信息需补充]

数据分割

[更多信息需补充]

数据集创建

策划理由

[更多信息需补充]

源数据

初始数据收集和规范化

[更多信息需补充]

源语言生产者

[更多信息需补充]

注释

注释过程

[更多信息需补充]

注释者

[更多信息需补充]

个人和敏感信息

[更多信息需补充]

使用数据的注意事项

数据集的社会影响

[更多信息需补充]

偏见的讨论

[更多信息需补充]

其他已知限制

[更多信息需补充]

附加信息

数据集策展人

该数据集由@colorlabeilat分享。

许可信息

该数据集的许可为cc-by-nc-sa-4.0。

引用信息

bibtex [更多信息需补充]

贡献

[更多信息需补充]

搜集汇总

数据集介绍

构建方式

Seathru数据集构建于Akkaynak与Treibitz在CVPR 2019发表的论文基础上，包含约1100张图像，涵盖5个不同场景。每个场景均包含未进行色彩校正的线性图像及其对应的深度图。数据集的构建过程中，选择了具有不同水下成像特征的场景，如相机与场景的成像距离、相机的视角方向以及不同的光学条件等。深度图通过Agisoft Metashape Pro软件生成，用于构建场景的三维模型。由于空间限制，数据集提供的图像为PNG格式，尺寸为原始大小的0.3倍。

特点

Seathru数据集的特点在于其多样化的场景选择，涵盖了水下成像中的多种关键特征。每个场景包含多张重叠图像，便于构建三维模型。深度图以米为单位进行缩放，零值表示无法计算深度的区域。数据集提供了线性图像和深度图的对应关系，为水下图像处理研究提供了丰富的实验数据。此外，数据集的图像经过尺寸缩放，便于存储和处理，同时保留了原始数据的核心信息。

使用方法

Seathru数据集适用于水下图像处理领域的研究，特别是水下图像去雾、色彩校正和三维重建等任务。研究人员可以通过该数据集验证算法的有效性，并探索不同场景下的成像特征。使用该数据集时，需注意深度图中的零值表示无效深度信息。数据集以PNG格式提供，便于直接加载和处理。若需原始RAW文件，可联系数据集提供者。此外，数据集的使用需遵循cc-by-nc-sa-4.0许可协议。

背景与挑战

背景概述

Seathru数据集由Akkaynak和Treibitz在2019年CVPR会议上首次发布，旨在解决水下图像处理中的关键问题。该数据集包含约1100张图像，涵盖5个不同场景，每个场景均针对水下成像中的特定特征进行设计，如成像距离、相机视角及光学条件等。数据集不仅提供了未经色彩校正的线性图像，还包含了对应的深度图，这些深度图通过Agisoft Metashape Pro软件生成，可用于构建场景的三维模型。该数据集的发布为水下图像去雾、色彩校正及三维重建等研究提供了重要的数据支持，推动了水下视觉计算领域的发展。

当前挑战

Seathru数据集在构建和应用过程中面临多重挑战。首先，水下环境的复杂光学特性使得图像采集和深度信息获取极为困难，尤其是在不同光照和水质条件下，如何确保数据的准确性和一致性成为一大难题。其次，数据集的构建依赖于多张重叠图像的拼接与深度图生成，这一过程对算法的精度和计算资源提出了较高要求。此外，由于空间限制，数据集仅提供了经过缩放的PNG格式图像，而非原始RAW文件，这可能限制了某些高精度研究的开展。最后，深度图中的零值表示无效深度信息，如何有效处理这些缺失数据也是实际应用中的一大挑战。

常用场景

经典使用场景

Seathru数据集在水下图像处理领域具有重要应用，特别是在水下图像去雾和色彩校正方面。该数据集包含了多个场景下的线性图像和对应的深度图，能够支持研究人员开发和测试新的算法，以改善水下图像的视觉效果。通过使用这些数据，研究人员可以模拟不同的水下光学条件，从而优化图像处理技术。

衍生相关工作

基于Seathru数据集，许多经典的研究工作得以展开。例如，Akkaynak和Treibitz在CVPR 2019上发表的论文《Sea-Thru: A Method for Removing Water From Underwater Images》提出了一种创新的水下图像去雾方法，该方法在该数据集上进行了验证和优化。此外，该数据集还激发了其他研究人员开发新的算法和工具，以进一步推动水下图像处理技术的发展。

数据集最近研究

最新研究方向

Seathru数据集作为水下图像处理领域的重要资源，近年来在计算机视觉和海洋科学研究中引起了广泛关注。该数据集包含了五个不同场景下的水下图像及其对应的深度图，为水下图像去雾、色彩校正和三维重建等任务提供了丰富的数据支持。当前的研究热点主要集中在利用深度学习技术提升水下图像的清晰度和色彩还原效果，特别是在复杂光学条件下的图像处理。此外，结合结构光场（SFM）技术，研究者们正在探索如何更精确地构建水下场景的三维模型，以支持海洋生态监测和海底资源勘探等应用。Seathru数据集的开放共享，不仅推动了水下图像处理算法的进步，也为跨学科研究提供了宝贵的数据基础。