水下图像恢复极化数据集

该数据集包含多种水下极化图像，覆盖了不同的水体。数据集包括完整的带有地面实况的水箱场景数据集、自然水体数据集以及部分极化角度为0°和45°的数据集。未来还将上传用于水下双目立体匹配和摄影测量的水下极化数据集。

This dataset contains various underwater polarization images covering different water bodies. It includes complete tank scene datasets with ground truth, natural water body datasets, and partial datasets with polarization angles of 0° and 45°. Underwater polarization datasets for underwater binocular stereo matching and photogrammetry will also be uploaded in the future.

原始信息汇总

ZeroDiff-Net 数据集概述

数据集简介

该数据集为论文《ZeroDiff-Net: Polarization-Guided Zero-Shot Diffusion Network for Underwater Image Recovery》的代码与偏振数据集。数据集中包含多种水下偏振图像，覆盖了不同的水体环境。

数据集内容与获取

数据集通过百度网盘提供下载，包含以下四个部分：

1. 完整水箱场景数据集（含真实值）：链接为 https://pan.baidu.com/s/1PUMw69arEB7o0qnp73SuYg，提取码为 be3e。
2. 自然水体数据集：链接为 https://pan.baidu.com/s/1iGQXkRE8BpBYdqZMoYnGgg，提取码为 iqy2。
3. 部分偏振角度（0°和45°）数据集：链接为 https://pan.baidu.com/s/1TqB4U8n2cEb0g0FPgiDMYA，提取码为 g6yy。
4. 部分偏振角度（0°和45°）数据集：链接为 https://pan.baidu.com/s/1kdSVV5xvsaUeXSLghLa8Rw，提取码为 yyjr。

数据集状态说明

• 论文被接受后，将上传所有剩余的偏振角度数据。
• 此外，还构建了用于水下双目立体匹配和摄影测量的水下偏振数据集，该数据集将与剩余的数据集一同上传。

相关研究

如果对您的研究有帮助，请引用以下初步工作：

@ARTICLE{11267091, author={Kong, Weifeng and Huo, Guanying and Peng, Chao and Su, Yong and Cheng, Zhen}, journal={IEEE Transactions on Computational Imaging}, title={Low-Rank Decomposition and Polarization-Driven Transmittance Synergy for Underwater Descattering With Cross-Domain Generalization}, year={2025}, volume={11}, number={}, pages={1668-1681}, doi={10.1109/TCI.2025.3636757} }

搜集汇总

数据集介绍

构建方式

在海洋光学与计算机视觉交叉领域，水下图像恢复极化数据集的构建采用了系统性的采集策略。研究团队通过实地拍摄，收集了涵盖多种水体环境的偏振图像，包括受控水箱场景与自然水域场景。数据集不仅提供了完整的偏振角度序列，还特别包含了0°与45°等关键角度的部分偏振图像，为后续算法训练与验证奠定了数据基础。此外，团队还构建了专门用于水下双目立体匹配与摄影测量的偏振数据集，进一步拓展了该数据集的应用范围。

特点

该数据集的核心特点在于其多角度、多场景的偏振图像覆盖。数据集不仅包含具有真实标签的水箱场景图像，还涵盖了自然水域的复杂环境，从而能够有效模拟水下散射、颜色失真等典型退化现象。偏振信息的引入为图像恢复提供了额外的物理线索，有助于提升模型在跨域场景下的泛化能力。数据集的逐步开放策略也体现了其持续更新的潜力，为水下视觉研究提供了动态的数据支持。

使用方法

该数据集主要服务于水下图像恢复与增强算法的开发与评估。研究人员可通过提供的百度网盘链接获取不同子集，利用完整的偏振图像序列训练基于物理先验的深度学习模型，如扩散网络或低秩分解方法。对于自然水域数据，可用于测试模型在真实复杂环境下的泛化性能。此外，数据集中的偏振信息也可用于水下立体视觉、三维重建等衍生任务，推动水下光学成像技术的多方位发展。

背景与挑战

背景概述

水下光学成像技术长期受到水体散射与吸收效应的制约，导致图像出现对比度下降、颜色失真及细节模糊等问题。为应对这一挑战，研究团队于近期构建了水下图像恢复极化数据集，该数据集依托于ZeroDiff-Net项目，由相关学者在2025年前后系统采集并公开。数据集涵盖多种水域环境下的偏振图像，旨在通过偏振信息引导，推动零样本扩散模型在水下图像恢复领域的应用。其核心研究问题聚焦于利用偏振特性实现跨域泛化能力，以提升水下视觉系统的鲁棒性与准确性，对海洋探测、水下机器人及生态监测等领域具有显著的学术与工程价值。

当前挑战

在领域问题层面，水下图像恢复需克服复杂水体环境中散射噪声的非均匀分布、光照条件多变以及颜色衰减模型难以统一建模等固有难题。偏振信息的引入虽能增强场景的物理约束，但如何有效融合多角度偏振数据以提升恢复精度，仍是一个亟待突破的技术瓶颈。在数据集构建过程中，挑战主要体现在大规模高质量偏振图像的采集与标注上，包括不同水域场景的覆盖广度、偏振角度的完整采集，以及真实参考图像的获取。此外，数据集的标准化与公开共享亦需协调学术发表进程与资源发布节奏，确保数据的可靠性与时效性。

常用场景

经典使用场景

在水下光学成像领域，水下图像恢复极化数据集为偏振引导的图像去散射与增强研究提供了关键支撑。该数据集通过采集不同水域环境下的偏振图像，覆盖了水箱场景与自然水体，并包含多角度偏振信息，使得研究者能够基于偏振物理特性，开发零样本或弱监督的深度学习模型，以有效应对水下复杂的光学退化问题，如散射、吸收和颜色失真，从而推动水下视觉系统的性能提升。

解决学术问题

该数据集主要解决了水下图像恢复中的跨域泛化与模型适应性难题。传统方法往往依赖于特定水域的标注数据，难以推广至多样化的真实环境。通过提供丰富的偏振图像及其对应真值，数据集支持了基于低秩分解、偏振透射率协同等先进算法的研究，使模型能够从偏振线索中学习到更鲁棒的散射抑制机制，显著提升了水下图像恢复的精度与泛化能力，为计算成像领域的理论创新奠定了数据基础。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，其中ZeroDiff-Net作为代表性成果，提出了偏振引导的零样本扩散网络框架，实现了无需成对数据的水下图像恢复。此外，基于低秩分解与偏振透射率协同的跨域泛化方法，进一步拓展了偏振信息在计算成像中的应用边界。这些工作不仅推动了水下图像处理算法的进步，还为偏振视觉与深度学习融合的研究方向开辟了新路径，激发了后续在自适应去散射与多模态融合方面的持续探索。