Sea-Undistort

Sea-Undistort是一个包含1200对512×512像素的合成水下场景的全面合成数据集，每对包括一个无失真和一个失真的视图，具有真实的水面效果，如太阳光斑、波浪和散射。该数据集旨在通过配对的图像对进行监督训练，从而解决传统映射系统在浅水区表现不佳的问题，并提高高分辨率海底地形图的准确性。数据集由柏林工业大学电气工程与计算机科学学院创建，并支持深度学习模型对水下图像进行增强和校正的监督训练。

Sea-Undistort is a comprehensive synthetic dataset containing 1200 pairs of 512×512 pixel synthetic underwater scenes. Each pair consists of one undistorted view and one distorted view, with realistic water surface effects including sun glare, waves and scattering. This dataset is designed for supervised training using paired image pairs, aiming to address the poor performance of traditional mapping systems in shallow waters and improve the accuracy of high-resolution seabed topographic maps. The dataset was created by the School of Electrical Engineering and Computer Science, Technische Universität Berlin, and supports supervised training of deep learning models for underwater image enhancement and correction.

原始信息汇总

Sea-Undistort数据集概述

数据集简介

• 名称: Sea-Undistort
• 类型: 合成数据集
• 创建工具: 开源3D图形平台Blender
• 用途: 支持深度学习模型的监督训练，用于通过水图像增强和校正

数据集内容

• 图像数量: 1200对
• 图像尺寸: 512×512像素
• 图像类型: RGB渲染的浅水水下场景
• 图像对组成:
  • "非失真"图像: 最小化表面和柱状失真
  • "失真"图像: 包含真实光学现象（如太阳耀光、波浪变形、浊度、光散射）

场景特征

• 海底类型: 岩石露头、沙质平地、砾石床、海草斑块
• 光学效果: 程序化生成，模拟真实水下成像物理
• 折射模型: 在失真和非失真图像中均准确建模

相机与成像参数

• 传感器特性:
  • 物理宽度: 36 mm
  • 有效像素宽度: 4000或5472像素
• 焦距: 20 mm和24 mm（仅渲染中央512x512像素）
• 相机高度: 30 m至200 m
• 地面采样距离(GSD): 0.014 m至0.063 m
• 平均深度: -0.5 m至-8 m
• 最大倾斜角: 5°
• 太阳高度角: 25°至70°
• 大气参数: 空气、尘埃等

元数据

• 格式: .json文件
• 内容: 每张图像的相机设置、场景参数等元数据

研究背景

• 相关论文: Kromer, M., Agrafiotis, P., Demir, B. (2025). "Sea-Undistort: A dataset for through-water image restoration in high resolution airborne bathymetric mapping". arXiv.
• 资助项目: MagicBathy研究项目（欧洲委员会资助，2023-2025年，GA 101063294）
• 研究机构: 柏林工业大学遥感图像分析(RSiM)小组、柏林学习与数据基础研究所(BIFOLD)的大数据地球观测分析小组

引用要求

使用Sea-Undistort数据集时需引用上述论文。

下载资源

• 数据集下载
• 预训练模型下载
• 论文链接: arXiv.org（IEEE版本尚未发布）

搜集汇总

数据集介绍

构建方式

Sea-Undistort数据集通过开源3D图形平台Blender构建，包含1200对512×512像素的RGB渲染图像，模拟浅水水下场景。每对图像包括一个无失真视图和一个包含真实水光学现象（如太阳耀光、波浪变形和光散射）的失真视图。场景设计采用随机组合的典型浅海海底类型，如岩石露头、沙质平原、砾石床和海草斑块，以捕捉广泛的纹理、反射模式和辐射条件。此外，数据集还提供了每幅图像的元数据，如相机参数、太阳位置和平均深度，确保多样化的成像条件。

特点

Sea-Undistort数据集的特点在于其高度可控的合成环境，能够精确模拟真实水下的复杂光学失真。数据集不仅包含几何和辐射失真，还通过随机化的海底类型和光照条件，提供了丰富的场景多样性。每幅图像均附带详细的元数据，支持监督学习任务，弥补了真实环境中无法获取无失真地面实况的缺陷。此外，数据集的构建充分考虑了实际应用中的挑战，如波浪引起的表面变形和光散射，使其成为评估和开发水下图像恢复算法的理想基准。

使用方法

Sea-Undistort数据集主要用于监督训练深度学习模型，以恢复高分辨率水下图像中的光学失真。用户可以通过配对的无失真和失真图像，训练模型学习去除太阳耀光、波浪变形和散射等效应。数据集还支持基准测试，用户可评估不同图像恢复方法在合成和真实数据上的性能。此外，元数据的丰富性允许用户探索环境参数（如深度和光照）对恢复效果的影响，进一步优化模型在真实场景中的泛化能力。

背景与挑战

背景概述

Sea-Undistort数据集由Technische Universität Berlin的研究团队于2025年推出，旨在解决浅水区高分辨率航空测深成像中的光学畸变问题。作为欧盟Horizon Europe计划MagicBathy项目的组成部分，该数据集通过Blender平台生成了1200对512×512像素的合成图像，包含无畸变与模拟真实水况（波浪、太阳耀光、散射等）的配对场景。数据集创新性地填补了水下图像复原领域缺乏可控配对数据的空白，为深度学习模型提供了标准化训练基准，显著推动了航空摄影测深和光谱测深技术在海洋测绘中的应用。

当前挑战

该数据集主要应对两大挑战：在领域层面，浅水区光学畸变（波浪折射、水体散射、太阳耀光）导致传统测深方法精度受限，现有复原方法难以兼顾几何校正与辐射一致性；在构建层面，真实环境中无法获取同步的畸变/无畸变图像对，迫使研究团队通过参数化建模实现波浪动力学与光传输的物理精确模拟，同时需平衡合成数据的多样性（海底类型、光照条件）与计算效率。此外，将合成数据训练的模型迁移至真实航拍图像时，存在域适应性问题，这要求数据集必须涵盖足够广泛的环境参数以保障泛化能力。

常用场景

经典使用场景

Sea-Undistort数据集在浅水区高分辨率航空测深图像恢复领域具有经典应用价值。通过合成1200对512×512像素的失真与非失真水下场景图像，该数据集为研究水体表面动态光学畸变（如波浪效应、太阳耀光和散射）提供了标准化基准。其核心应用场景包括监督式深度学习模型的训练与评估，特别是在缺乏真实配对数据的条件下，为图像增强算法提供了可控的实验环境。数据集涵盖多样化的海底类型（岩石、沙地、海草等）和光学条件，使研究者能够系统性分析不同水体环境对图像质量的影响。

衍生相关工作

该数据集催生了多项创新研究：在方法层面，推动了早期融合太阳耀光掩模的扩散模型（ResShift+EF）发展，其结合HSV空间亮度-饱和度阈值的技术已成为耀光处理的新范式；在系统层面，支撑了MagicBathyNet多模态测深数据集的构建，实现了LiDAR与光学数据的协同标定。相关成果被NDR-Restore等神经退化表征学习模型引用，启发了基于物理先验的元学习框架。数据集提供的标准化测试协议，更使得UNet-bathy等深度测深模型能在统一指标下进行跨方法比较，加速了领域研究进程。

数据集最近研究

最新研究方向

近年来，Sea-Undistort数据集在浅水区高分辨率测深成像领域引起了广泛关注。该数据集通过合成方法模拟了真实水下环境中的光学畸变，如波浪引起的变形、散射和太阳耀光等，为深度学习模型提供了宝贵的训练资源。前沿研究主要集中在基于扩散模型的图像恢复技术，特别是在早期融合太阳耀光掩模的引导下，显著提升了数字表面模型（DSM）的完整性和测深精度。这些进展不仅优化了浅水区的测深覆盖范围，还在环境监测、灾害响应和海洋资源管理等领域展现了重要应用价值。

相关研究论文

• Sea-Undistort: A Dataset for Through-Water Image Restoration in High Resolution Airborne Bathymetric Mapping

  柏林工业大学电气工程与计算机科学学院 · 2025年