Radiometry Correction Dataset

Radiometry Correction Dataset是一个大型的辐射度校正数据集，旨在突出曝光变化，以促进无监督学习。数据集由模拟图像信号处理（ISP）流程生成的配对数据训练而成，无需昂贵的手动标注，从而减少了标注中的个人风格偏差，提高了其泛化能力。该数据集的输入图像是从地面真实数据合成的，确保了数据集中的一致风格。

The Radiometry Correction Dataset is a large-scale radiometric correction dataset designed to highlight exposure variations and facilitate unsupervised learning. It is trained using paired data generated via simulated image signal processing (ISP) pipelines, eliminating the need for costly manual annotations. This approach reduces personal style bias in annotations and enhances the dataset's generalization capability. The input images of this dataset are synthesized from ground-truth data, ensuring consistent style across the entire dataset.

原始信息汇总

数据集概述

基本信息

• 数据集名称: Unsupervised Exposure Correction (UEC) Documentation
• 相关论文: 已被ECCV 2024接受
• arXiv链接: https://arxiv.org/abs/2507.17252
• ECCV 2024论文链接: https://www.ecva.net/papers/eccv_2024/papers_ECCV/html/986_ECCV_2024_paper.php
• 补充文件链接: https://www.ecva.net/papers/eccv_2024/papers_ECCV/papers/00986-supp.pdf

数据集下载

• Afifis Exposure-errors Dataset: 访问链接获取下载说明 https://github.com/mahmoudnafifi/Exposure_Correction#dataset
• Radiometry Correction Dataset: 百度网盘下载链接 https://pan.baidu.com/s/1iQgFoLWZXW7eswaM5U3_6Q?pwd=z1yh

数据集内容

• 预训练模型: 包含两个".pth"文件，分别基于Afifis Exposure-errors Dataset和Radiometry Correction Dataset训练。

训练与测试

• 训练命令: shell python train.py --name exposure --model uec --dataset_mode exposure --load_size 448 --preprocess resize_and_crop --gpu_ids 2 --save_epoch_freq 1 --lr 1e-4 --beta1 0.9 --lr_policy step --lr_decay_iters 6574200 --dataset_root ../data/exposure_dataset/INPUT_IMAGES/

• 测试命令: shell python test.py --name exposure-errors --model uec --dataset_mode fivektest --preprocess resize --load_size 256 --gpu_ids 2 --dataset_root ../data/exposure_dataset/test/ --ref_image_paths ../data/exposure_dataset/GT_IMAGES/a0001-jmac_DSC1459.jpg

评估方法

• 评估工具: 使用PyIQA进行评估
• 评估命令: shell python inference_iqa_filelist.py -f ./results/file.txt -i ./results/exposure/test_latest/images/ -r <path-to-your-reference-images>

许可协议

• 使用限制: 仅限非商业研究用途

搜集汇总

数据集介绍

构建方式

Radiometry Correction Dataset的构建采用了创新的无监督学习方法，通过模拟图像信号处理（ISP）流程生成多曝光序列。该方法避免了传统依赖人工标注的繁琐过程，利用RAW数据生成不同曝光水平的图像对，确保数据集的多样性和规模。具体而言，通过调整参考图像的曝光值（EV），生成从-2EV到+3EV的合成图像，同时保持其他ISP处理步骤不变，以确保风格一致性。这种构建方式不仅显著降低了数据采集成本，还提高了模型的泛化能力。

特点

该数据集的核心特点在于其专注于辐射度变化，而非色彩风格，从而避免了人工标注引入的主观偏差。数据集包含广泛的曝光范围（-2EV至+3EV），覆盖了从欠曝光到过曝光的多种场景。此外，所有图像均基于MIT-Adobe FiveK Dataset的ExpertC版本生成，确保了风格的一致性。这种设计使得数据集特别适用于无监督学习任务，同时为低层视觉任务（如边缘检测）提供了高质量的基准数据。

使用方法

Radiometry Correction Dataset的使用方法灵活多样，适用于无监督和有监督学习任务。在无监督学习中，模型通过多曝光序列中的图像相互作为监督信号，学习曝光调整的映射关系。对于有监督任务，用户可直接利用生成的图像对（输入与参考图像）进行训练。测试时，仅需单张参考图像即可实现曝光校准，显著提升了效率。此外，数据集支持下游任务（如边缘检测）的性能评估，通过保留RAW文件的原始细节，确保低层特征的完整性。

背景与挑战

背景概述

Radiometry Correction Dataset是由Ruodai Cui、Li Niu和Guosheng Hu等研究人员于2023年提出的，旨在解决图像曝光校正领域的关键问题。该数据集基于MIT-Adobe FiveK Dataset构建，通过模拟图像信号处理（ISP）流程生成多曝光序列，避免了传统方法依赖人工标注的局限性。其核心创新在于采用无监督学习方法（UEC），通过辐射度量学调整实现曝光校正，显著提升了模型在低层视觉任务中的性能。该数据集的推出为计算机视觉领域提供了首个专注于辐射度量变化的基准，对图像增强、边缘检测等下游任务具有重要影响。

当前挑战

在领域问题层面，传统曝光校正方法面临三大挑战：依赖劳动密集型配对数据标注导致数据稀缺；人工标注引入的主观风格偏差限制模型泛化能力；现有方法注重美学效果而忽视低层特征保留，影响下游任务性能。在构建过程中，研究团队需攻克多曝光序列生成的辐射一致性难题，确保-2EV至+3EV宽动态范围内纹理信息的完整性。此外，设计像素级曝光变换函数以平衡计算效率与细节保留，以及建立无监督学习框架消除风格偏差，均为数据集构建的关键技术壁垒。

常用场景

经典使用场景

Radiometry Correction Dataset在计算机视觉领域中被广泛用于曝光校正任务的研究。该数据集通过模拟图像信号处理（ISP）流程生成多曝光序列，为无监督学习提供了丰富的训练样本。其经典使用场景包括图像曝光调整、低光增强以及过曝修复，特别适用于处理非理想光照条件下捕获的图像。数据集的设计强调辐射度变化，避免了人为风格偏差，使得模型能够专注于曝光本身的校正，而非色彩或风格的调整。

解决学术问题

该数据集有效解决了曝光校正领域的三个核心学术问题：首先，通过无监督学习框架消除了对昂贵人工标注数据的依赖；其次，基于辐射度一致性的设计显著提升了模型的泛化能力；最后，其像素级曝光转换方法较好地保留了图像的低级特征，解决了传统方法在边缘检测等下游任务中性能下降的问题。这些创新为计算机视觉中的图像增强研究提供了新的方法论支持。

衍生相关工作

基于该数据集衍生的经典工作包括：1）无监督曝光校正框架UEC，其性能媲美监督方法ECM；2）面向边缘检测任务的辐射度优化方法，在LDC网络基准测试中表现优异；3）轻量级曝光转换模型为后续移动端图像处理研究提供了架构参考。这些工作共同推动了《IEEE Transactions on Pattern Analysis and Machine Intelligence》等顶刊关于图像增强无监督学习的研究进程。