HM-TIR

HM-TIR数据集是由大连理工大学软件工程学院和大连海事大学信息科学与技术学院的研究人员创建的，旨在解决热红外图像增强问题。该数据集包含了1503张图像，涵盖了城市、森林、海洋等多种场景，以及低对比度、模糊、条纹噪声、光学噪声和高斯噪声等多种退化类型。数据集的创建过程严格保证了图像的清晰度和聚焦度，为热红外图像增强研究提供了高质量的多场景基准。HM-TIR数据集适用于物体检测、语义分割和自动驾驶等应用领域，有助于推动热红外图像增强技术的发展。

The HM-TIR dataset was created by researchers from the School of Software Engineering, Dalian University of Technology and the School of Information Science and Technology, Dalian Maritime University, aiming to address the issue of thermal infrared image enhancement. This dataset contains 1503 images covering multiple scenarios such as urban areas, forests and oceans, as well as various degradation types including low contrast, blur, stripe noise, optical noise and Gaussian noise. The dataset creation process strictly guarantees the clarity and focus of the images, providing a high-quality multi-scenario benchmark for thermal infrared image enhancement research. The HM-TIR dataset is applicable to application fields such as object detection, semantic segmentation and autonomous driving, and helps promote the development of thermal infrared image enhancement technologies.

搜集汇总

数据集介绍

构建方式

在热红外成像领域，高质量数据集的稀缺长期制约着模型性能的提升。HM-TIR基准通过精心设计的采集流程构建而成，涵盖城市、森林、海洋等八大类场景的1503张图像。每张图像均采用640×512标准分辨率，在8-14微米波长范围内采集，并通过机械工具固定焦距以消除模糊。数据采集过程特别注重场景多样性，包含建筑群、旋转飞轮等结构化场景与密林等非结构化环境，同时融合俯视、平视等多视角观测维度，为复杂退化条件下的热红外图像增强研究奠定数据基础。

特点

HM-TIR基准的突出特性体现在其多维度的场景覆盖与系统化的退化标注。该数据集不仅包含低对比度、模糊、条纹噪声等五类典型热红外退化模式，还首次实现了单退化与复合退化的协同标注体系。图像内容涵盖从宏观城市景观到微观露营区域的空间尺度，其中旋转飞轮等动态场景的纳入有效提升了数据集的挑战性。相较于现有基准，HM-TIR通过精确的焦距控制与场景适配，在保持热辐射特征完整性的同时，显著提升了图像的边缘锐度与热对比度。

使用方法

该数据集支持端到端的热红外图像增强模型训练与验证，研究者可将80%数据用于训练，20%划分为常规集与困难集两个验证子集。在应用层面，用户可通过加载退化类型提示对与场景类型提示对，驱动渐进式提示融合网络实现自适应特征调制。对于复合退化场景，建议采用选择性渐进训练机制，按照噪声-模糊-对比度的固定顺序进行迭代优化。基准提供的伪彩色映射与热分布可视化工具，有助于定量评估增强模型在保持结构细节与热辐射特征方面的性能表现。

背景与挑战

背景概述

热红外成像技术通过捕捉物体发射的热辐射实现成像，在无光照环境和恶劣天气条件下具有独特优势，广泛应用于自动驾驶、目标检测等领域。HM-TIR数据集由大连理工大学团队于2025年构建，针对热红外图像增强任务中存在的复合退化问题，提出了渐进式提示融合网络。该数据集包含1503张高分辨率红外图像，覆盖城市、森林、海岸线等多样化场景，首次系统性地解决了噪声、模糊和低对比度等多重退化耦合的增强难题，为热红外视觉研究提供了重要的基准支撑。

当前挑战

热红外图像增强面临双重挑战：在领域问题层面，传统方法仅能处理单一退化类型，而真实场景中常存在噪声、模糊和低对比度的复合退化，现有可见光增强方法因成像机制差异难以直接迁移；在数据构建层面，热红外图像受限于昂贵的碲镉汞等特种材料传感器，且易受大气湍流、温度波动等外部因素干扰，导致高质量数据采集困难。早期数据集如Iray、TIVID等普遍存在场景单一、退化类型覆盖不足的问题，制约了模型在复杂环境下的泛化能力。

常用场景

经典使用场景

在红外视觉研究领域，HM-TIR数据集作为高质量多场景基准，主要应用于复杂退化条件下的热红外图像增强任务。该数据集覆盖城市、森林、海洋等多样化环境，通过提供包含低对比度、模糊和噪声等耦合退化的图像样本，为开发自适应增强算法奠定了数据基础。研究人员利用其丰富的退化类型和场景多样性，系统评估模型在单一或混合退化场景下的鲁棒性与泛化能力。

解决学术问题

HM-TIR数据集有效解决了热红外图像增强中耦合退化处理的学术难题。传统方法通常针对单一退化类型设计，难以应对实际应用中多种退化交织的复杂情况。该数据集通过构建涵盖光学噪声、运动模糊和对比度衰减等多重退化的样本，推动了渐进式提示融合网络等新型架构的发展，使模型能够根据退化类型自适应调整特征处理策略，显著提升了复杂退化场景下的图像恢复精度与视觉质量。

衍生相关工作

HM-TIR的发布催生了多项红外图像处理领域的创新研究。以渐进式提示融合网络为核心，衍生出融合先验知识的可插拔模块设计，该模块可适配Restormer、NAFNet等主流架构。后续研究进一步拓展了选择性渐进训练机制在多重退化场景中的应用，推动了红外超分辨率、多模态图像融合等方向的发展，为构建端到端红外视觉处理体系提供了理论基础与技术范式。