GPT-4o-restored images

该数据集包含由GPT-4o恢复的广泛使用的图像恢复数据集的图像，支持图像去雾、去雨、低光增强等多种恢复任务。

This dataset comprises images from widely used image restoration datasets that have been restored by GPT-4o, and supports multiple restoration tasks including image dehazing, deraining, and low-light enhancement.

原始信息汇总

数据集概述：GPT-4o for Image Restoration

基本信息

• 作者: Hao Yang (北京理工大学), Yan Yang (澳大利亚国立大学), Ruikun Zhang (北京理工大学), Liyuan Pan (北京理工大学)
• 论文链接: arXiv:2505.05621
• 研究内容: 评估GPT-4o在图像恢复任务中的潜力，包括图像去雾、去雨和低光增强等任务。

数据集下载

数据集名称	恢复任务	GPT-4o输出	原始数据集
O-Haze	图像去雾	下载链接	原始链接
Rain800	图像去雨	下载链接	原始链接
LOL	低光增强	下载链接	原始链接
RainDrop	雨滴去除	即将发布	原始链接
ISTD	阴影去除	即将发布	原始链接
UIEB	水下图像增强	即将发布	原始链接
GoPro	去模糊	即将发布	原始链接
Nature20	反射去除	即将发布	原始链接
DPDD	去模糊	即将发布	原始链接

其他信息

• 数据集请求: 用户可通过GitHub仓库提交请求，作者会考虑添加常用数据集。
• 联系方式: [e-mail]

引用

bibtex @misc{yang2025preliminarystudygpt4oimage, title={A Preliminary Study for GPT-4o on Image Restoration}, author={Hao Yang and Yan Yang and Ruikun Zhang and Liyuan Pan}, year={2025}, eprint={2505.05621}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2505.05621}, }

搜集汇总

数据集介绍

构建方式

在计算机视觉领域，图像恢复技术正经历着生成式人工智能带来的范式转变。该数据集通过GPT-4o这一先进的多模态自回归模型，对O-Haze、Rain800、LOL等经典图像恢复基准数据集进行了系统性处理。研究团队采用统一的prompt工程策略，针对去雾、去雨、低光增强等不同恢复任务，生成对应的修复结果。为确保数据质量，原始图像均来自经过同行评议的标准数据集，处理过程保留了完整的元数据信息。

特点

该数据集最显著的特征在于其展示了生成式模型与传统图像恢复任务结合的创新范式。虽然GPT-4o生成的图像在像素级保真度上存在局限，但其在视觉感知质量方面表现出独特优势。数据集覆盖了多种典型退化场景，每个样本都包含原始退化图像与GPT-4o修复结果的配对数据。特别值得注意的是，这些生成结果可作为强大的视觉先验，为现有恢复网络提供有价值的监督信号。

使用方法

该数据集主要服务于图像恢复领域的算法研发与性能评估。研究人员可将GPT-4o生成结果作为数据增强的来源，或将其融入现有网络的训练流程以提升模型性能。使用时需注意，由于生成图像存在比例变化、物体位移等特性，建议结合传统评估指标与人类视觉感知进行综合判断。数据集采用标准压缩格式存储，下载后可直接与原始基准数据集进行对齐使用，为便于复现研究结果，建议严格遵循论文中描述的预处理流程。

背景与挑战

背景概述

GPT-4o-restored images数据集由北京理工大学和澳大利亚国立大学的研究团队于2025年发布，旨在探索GPT-4o多模态模型在图像复原领域的应用潜力。该数据集聚焦于图像去雾、去雨、低光增强等核心复原任务，通过系统评估揭示了GPT-4o生成图像在视觉质量与像素级保真度之间的显著差异。作为首个针对生成式预训练模型的图像复原基准研究，该工作为传统复原网络提供了新型视觉先验，推动了生成式人工智能与计算摄影学的交叉融合。

当前挑战

该数据集面临双重技术挑战：在领域问题层面，生成式模型固有的概率采样机制导致复原图像出现比例失调、物体位移等结构失真，与经典复原方法追求的像素级精确重建存在本质冲突；在构建过程中，需平衡生成结果的视觉合理性与物理真实性，涉及多任务评估指标设计、跨模态特征对齐等复杂问题。此外，如何将生成式先验与传统复原网络有机结合，仍需探索更优的架构融合策略。

常用场景

经典使用场景

在计算机视觉领域，图像恢复技术一直是研究的热点。GPT-4o-restored images数据集通过多模态自回归架构生成的图像，为图像去雾、去雨和低光增强等任务提供了高质量的视觉先验。该数据集广泛应用于各类图像恢复算法的训练和评估，特别是在需要高质量视觉先验的场景中，如恶劣天气条件下的图像恢复和低光环境下的图像增强。

衍生相关工作

该数据集衍生了多项经典工作，包括基于视觉先验的图像恢复算法改进、多模态生成模型在图像恢复中的应用研究等。例如，一些研究利用该数据集中的视觉先验，结合传统恢复网络，提出了新的混合恢复框架，显著提升了恢复效果。

数据集最近研究

最新研究方向

随着多模态大模型技术的快速发展，GPT-4o在图像生成领域展现出卓越能力，其应用范围正逐步向图像修复领域拓展。最新研究表明，尽管GPT-4o生成的修复图像在视觉感知质量上表现优异，但在像素级结构保真度方面仍存在提升空间，这为后续研究指明了方向。当前热点聚焦于如何将GPT-4o的输出作为视觉先验，与传统图像修复网络相结合，在去雾、去雨和低光增强等典型任务中实现性能突破。该数据集为探索生成式模型在图像修复中的潜力提供了重要基准，其发布有望推动计算机视觉领域对生成式修复范式的深入研究，并为构建更智能的图像增强系统奠定基础。