E-Deflare

`E-Deflare`是一个用于从事件相机数据中去除镜头光晕的系统框架，包括大规模模拟训练集`E-Flare-2.7K`和首个真实世界测试集`E-Flare-R`。

`E-Deflare` is a systematic framework for removing lens flare from event camera data, which encompasses the large-scale simulated training dataset `E-Flare-2.7K` and the first real-world test dataset `E-Flare-R`.

原始信息汇总

数据集概述

数据集基本信息

• 项目名称: Learning to Remove Lens Flare in Event Camera
• 核心贡献: 首个系统性消除事件相机镜头光晕的框架。
• 主要组成部分:
  1. 基于物理原理推导的非线性抑制机制前向模型。
  2. E-Deflare 基准数据集。
  3. E-DeflareNet 模型，实现了最先进的修复性能。

E-Deflare 基准数据集详情

数据集构成

数据集	类型	划分	样本数量	描述
E-Flare-2.7K	模拟	训练集	2,545	大规模模拟训练集。每个样本为20ms的体素网格。
E-Flare-2.7K	模拟	测试集	175	大规模模拟训练集。每个样本为20ms的体素网格。
E-Flare-R	真实世界	测试集	150	用于模拟到真实评估的真实世界配对测试集。
DSEC-Flare	真实世界	—	—	从DSEC数据集中筛选出的展示镜头光晕的序列。

数据获取

• 所有数据集 (E-Flare-2.7K, E-Flare-R, DSEC-Flare) 均已发布，可通过 HuggingFace 数据集页面 下载。
• HuggingFace 页面地址：https://huggingface.co/datasets/E-Deflare/data

实验性能

在 E-Flare-2.7K 测试集上的性能

• 评估指标: Chamfer↓, Gaussian↓, MSE↓, PMSE 2↓, PMSE 4↓, R-F1↑, T-F1↑, TP-F1↑。
• 最佳方法: E-DeflareNet (Ours) 在所有指标上均达到最优。
• 性能提升: 相较于基线方法，E-DeflareNet 在各项指标上取得了显著提升（例如，Chamfer指标提升64.2%）。

在 E-Flare-R 测试集上的性能

• 评估指标: 同上。
• 最佳方法: E-DeflareNet (Ours) 在绝大多数指标上达到最优（除TP-F1外）。
• 性能提升: 在真实世界测试集上，E-DeflareNet 同样展现出强大的泛化能力（例如，Chamfer指标提升35.6%）。

相关资源

• 论文: arXiv:2512.09016
• 项目主页: https://e-flare.github.io/
• 代码仓库: https://github.com/e-flare/toolkit
• 数据集主页: https://huggingface.co/datasets/E-Deflare/data

引用

bibtex @article{han2025e-deflare, title = {Learning to Remove Lens Flare in Event Camera}, author = {Haiqian Han and Lingdong Kong and Jianing Li and Ao Liang and Chengtao Zhu and Jiacheng Lyu and Lai Xing Ng and Xiangyang Ji and Wei Tsang Ooi and Benoit R. Cottereau}, journal = {arXiv preprint arXiv:2512.09016} year = {2025} }

搜集汇总

数据集介绍

构建方式

在事件相机视觉系统的发展进程中，光学伪影如镜头光晕的干扰一直是亟待解决的难题。E-Deflare数据集的构建基于严谨的物理建模，首先推导出非线性抑制机制的前向模型，为模拟光晕生成提供了理论依据。基于此模型，研究团队创建了大规模模拟训练集E-Flare-2.7K，包含2545个训练样本和175个测试样本，每个样本均为20毫秒体素网格。同时，通过自主研发的光学系统采集了首个真实世界配对测试集E-Flare-R，包含150个样本，有效支撑了从模拟到现实的评估需求。

特点

该数据集在事件相机去光晕领域具有开创性意义，其核心特点体现在多维度的数据构成。E-Flare-2.7K作为大规模模拟数据集，通过物理模型生成具有时空复杂性的光晕失真，为算法训练提供了丰富样本。E-Flare-R则填补了真实世界配对数据的空白，其光学系统采集的样本包含实际环境中的噪声与变异，极大提升了评估的可靠性。此外，从公开数据集DSEC中筛选的DSEC-Flare序列进一步扩展了数据多样性，形成了模拟与真实数据互补、训练与测试分明的完整体系。

使用方法

该数据集为事件相机去光晕研究提供了标准化的评估框架。研究人员可通过HuggingFace平台获取E-Flare-2.7K、E-Flare-R和DSEC-Flare三个子集，其中模拟训练集适用于模型训练与验证，真实测试集则用于模拟到现实的性能评估。数据以体素网格格式组织，每段序列持续20毫秒，可直接输入到事件处理网络中进行端到端训练。配套的E-DeflareNet模型代码库提供了完整的训练流程，支持Chamfer距离、高斯误差等多指标评估，便于研究者进行方法对比与性能分析。

背景与挑战

背景概述

事件相机凭借其高时间分辨率与动态范围，具备革新视觉系统的潜力，然而其成像过程仍易受镜头光晕这一基础光学伪影的干扰，导致信号严重退化。在事件流中，这种光学伪影会形成复杂且具有时空特性的畸变，长期以来未得到系统性研究。为应对这一挑战，由清华大学、新加坡国立大学、法国国家科学研究中心等机构的研究人员于2025年共同创建了E-Deflare数据集。该数据集旨在解决事件相机数据中镜头光晕的去除问题，通过建立首个系统性的处理框架，填补了该领域基准数据的空白，并为提升事件相机在复杂光照环境下的鲁棒性提供了关键资源。

当前挑战

事件相机镜头光晕去除领域面临的核心挑战在于，光晕在事件流中表现为非线性的时空失真，其建模与分离极为困难。现有方法缺乏针对事件相机特性的专用处理框架，且严重缺乏高质量的配对真实世界数据用于模型训练与评估。在数据集构建过程中，挑战主要集中于如何建立物理驱动的正向模型以精确模拟光晕的生成机制，以及如何设计创新的光学系统来采集首个配对的真实世界测试集E-Flare-R，以弥合仿真数据与真实场景之间的域间差异。

常用场景

经典使用场景

在事件相机视觉系统中，镜头光晕作为一种复杂的光学伪影，会严重扭曲事件流中的时空信息。E-Deflare数据集为消除此类伪影提供了首个系统性基准，其经典使用场景聚焦于训练和评估事件相机数据中的光晕去除模型。通过大规模模拟训练集E-Flare-2.7K和真实世界配对测试集E-Flare-R，该数据集支持研究人员开发先进的去光晕算法，以恢复事件流中因强光干扰而失真的动态场景信息。

衍生相关工作

围绕E-Deflare数据集，研究者已开发出如E-DeflareNet等先进模型，这些工作显著提升了事件流中光晕去除的性能。该数据集还促进了事件相机与传统视觉融合方法的发展，例如结合光晕抑制的时空特征提取技术。此外，基于该基准的模拟到真实迁移学习框架，为事件相机在其他光学伪影校正任务中提供了可扩展的范式，推动了整个事件视觉领域的数据驱动方法创新。

数据集最近研究

最新研究方向

事件相机凭借其高时间分辨率与动态范围优势，在视觉系统领域展现出革新潜力，然而镜头眩光这一基础光学伪影导致的时空畸变问题长期被忽视。近期研究聚焦于构建首个系统化的事件相机镜头眩光消除框架，通过建立物理驱动的非线性抑制前向模型，奠定了理论基础。以此为核心构建的E-Deflare基准数据集，包含大规模模拟训练集E-Flare-2.7K与首个真实世界配对测试集E-Flare-R，为算法开发提供了关键支撑。基于该数据集设计的E-DeflareNet模型在多项指标上取得显著性能突破，推动了事件视觉在自动驾驶、机器人感知等动态场景下的鲁棒性发展，标志着光学伪影治理从传统图像向事件流数据的重要范式迁移。