Real-World Well-Aligned Haze (RW2AH)

RW2AH数据集是由南京理工大学和南京大学联合创建的，旨在解决真实世界图像去雾问题。该数据集包含1,758对真实世界的清晰和雾霾图像，覆盖了多个地理区域和气候条件。数据集的创建过程通过使用固定的网络摄像头捕捉图像，确保了图像对在物理空间上的良好对齐。RW2AH数据集主要用于监督学习，为评估去雾方法提供了一个公平的基准，特别适用于对象检测、图像分割和目标跟踪等领域。

The RW2AH dataset was jointly created by Nanjing University of Science and Technology and Nanjing University, aiming to solve the real-world image dehazing problem. The dataset contains 1,758 pairs of real-world clear and hazy images, covering multiple geographic regions and climatic conditions. During the dataset construction, fixed webcams were used to capture images, ensuring excellent spatial alignment of the paired images. The RW2AH dataset is primarily intended for supervised learning, providing a fair benchmark for evaluating dehazing methods, and is particularly suitable for fields such as object detection, image segmentation and target tracking.

搜集汇总

数据集介绍

构建方式

Real-World Well-Aligned Haze (RW2AH) 数据集的构建旨在解决现有数据集在真实场景中背景不一致和空间对齐不足的问题。该数据集通过从全球多个国家的固定网络摄像头中采集图像，涵盖了多种气候条件和地理环境。具体而言，数据集包括1,758对真实世界的雾霾和清晰图像对，这些图像对在同一天内拍摄，确保了时间上的对齐。此外，数据集还根据雾霾的密度分为轻度、中度和重度三类，并通过人工裁剪确保背景的一致性，从而为监督学习提供了高质量的训练数据。

特点

RW2AH 数据集的主要特点在于其高度的场景多样性和背景对齐性。数据集包含了来自亚洲、欧洲和北美洲等多个地区的图像，涵盖了从城市景观到自然风光的多种场景。此外，数据集中的图像对在时间和空间上均经过精心对齐，确保了图像背景的一致性，从而为深度学习模型提供了更为可靠的监督信号。这种高对齐性和多样性使得该数据集成为评估真实世界去雾方法的理想基准。

使用方法

RW2AH 数据集主要用于监督学习任务，特别是图像去雾领域。研究人员可以使用该数据集训练深度学习模型，通过输入雾霾图像和对应的清晰图像对，学习从雾霾图像到清晰图像的映射关系。数据集的高对齐性和多样性使得模型能够在真实世界的复杂场景中表现出色。此外，该数据集还可以用于评估现有去雾算法的性能，通过对比不同方法在PSNR、SSIM等指标上的表现，进一步推动去雾技术的发展。

背景与挑战

背景概述

图像去雾，尤其是基于学习的方法，近年来因其对实际应用的重要性而备受关注。然而，仅依赖RGB色彩空间往往难以完全去除雾霾，常导致残留雾霾。这主要源于两个问题：一是从雾霾RGB图像中提取清晰纹理特征的困难，二是难以在非受控环境中获取真实的雾霾/清晰图像对。为解决这些问题，研究团队提出了一种新颖的结构引导去雾网络（SGDN），该网络利用YCbCr色彩空间的结构优势，通过双色彩引导桥（BGB）和色彩增强模块（CEM）来提升去雾效果。此外，团队还引入了Real-World Well-Aligned Haze（RW2AH）数据集，该数据集包含来自不同地理区域和气候条件的多样化场景，为有效监督学习提供了基础。实验结果表明，该方法在多个真实雾霾数据集上超越了现有的最先进方法。

当前挑战

RW2AH数据集的构建面临两大挑战：一是从雾霾RGB图像中提取清晰纹理特征的困难，雾霾模糊了RGB特征中的纹理，导致去雾效果不佳；二是获取真实雾霾/清晰图像对的复杂性，非受控环境下的背景不一致和空间错位使得现有数据集难以用于完全监督学习。此外，现有方法在处理复杂结构和非均匀雾霾时表现不佳，常导致颜色失真和细节丢失。因此，如何有效利用YCbCr色彩空间的优势，同时避免颜色转换中的误差，成为构建高效去雾模型的关键挑战。

常用场景

经典使用场景

Real-World Well-Aligned Haze (RW2AH) 数据集最经典的使用场景在于图像去雾任务中的监督学习。该数据集包含了大量真实世界中的雾霾图像及其对应的清晰图像，这些图像对在地理和气候条件上具有多样性，能够为去雾算法提供丰富的训练样本。通过使用 RW2AH 数据集，研究人员可以训练和验证其去雾模型在不同场景下的鲁棒性，尤其是在复杂和多变的真实环境中。

解决学术问题

RW2AH 数据集解决了现有去雾研究中常见的两个学术问题：一是现有数据集大多基于合成数据，与真实场景存在较大差距，导致模型在实际应用中的表现不佳；二是真实世界中雾霾图像与清晰图像的对齐问题，现有数据集往往难以提供高质量的对齐样本。RW2AH 通过提供大量真实且对齐良好的图像对，为去雾算法的研究提供了新的基准，推动了该领域的发展。

衍生相关工作

基于 RW2AH 数据集，许多相关研究工作得以展开。例如，研究人员提出了多种基于 YCbCr 颜色空间的去雾网络，如 Structure Guided Dehazing Network (SGDN)，该网络通过结合 YCbCr 和 RGB 颜色空间的优势，显著提升了去雾效果。此外，RW2AH 数据集还激发了其他研究者对真实世界去雾问题的关注，推动了更多基于真实数据的算法设计和优化。