E-MLB

E-MLB数据集是中国科学技术大学创建的大规模事件去噪数据集，包含100个场景，每个场景有四种噪声级别，总序列数达到1200，是现有最大数据集的12倍。该数据集覆盖了从白天到夜晚的不同光照条件，通过使用中性密度滤镜模拟不同光照强度，确保了数据的真实性和多样性。此外，数据集还包括多种运动类型，如平移、旋转以及2D和3D的组合运动。E-MLB数据集旨在为事件相机的去噪研究提供高质量、多样化的数据支持，解决现有数据集在规模和噪声多样性上的不足。

The E-MLB dataset is a large-scale event denoising dataset developed by the University of Science and Technology of China. It includes 100 scenarios, each with four noise levels, and has a total of 1200 sequences, which is 12 times the scale of the largest existing dataset. The dataset covers diverse lighting conditions ranging from daytime to nighttime, where neutral density filters are utilized to simulate varying light intensities, ensuring the authenticity and diversity of the data. Additionally, the dataset encompasses various motion types, such as translation, rotation, and combined 2D and 3D motions. The E-MLB dataset aims to provide high-quality and diversified data support for event camera denoising research, addressing the shortcomings of existing datasets in terms of scale and noise diversity.

搜集汇总

数据集介绍

构建方式

在事件相机去噪研究领域，现有数据集普遍面临规模有限和噪声多样性不足的挑战。为构建更具代表性的基准，E-MLB数据集采用DAVIS346事件相机，在100个多样化场景中进行采集，涵盖室内外环境及平移、旋转等多种运动模式。通过引入透光率分别为1/4、1/16和1/64的中性密度滤光片，模拟从白天到夜晚的光照衰减，为每个场景生成四个不同噪声等级的事件序列。采集过程在自然光条件下重复三次，确保数据在光照强度和内容多样性上均能覆盖事件相机的真实工作环境。

特点

E-MLB数据集的核心特征体现在其规模与多样性上。该数据集包含1200个事件序列，规模达到现有最大去噪数据集的12倍，为模型训练与评估提供了充足样本。其多层次噪声设计通过滤光片调控入射光强，系统模拟了事件相机在低对比度条件下噪声逐渐增强的物理特性。数据集同时提供对齐的APS帧与IMU数据，并涵盖雨雪天气、高速物体等挑战性场景，能够全面反映事件相机在复杂环境中的噪声分布，为去噪算法鲁棒性评估奠定基础。

使用方法

该数据集主要用于事件去噪算法的训练、验证与基准测试。研究者可将不同噪声等级的事件序列作为输入，评估算法在多样化光照与运动条件下的去噪性能。数据集配套提出的无参考评价指标事件结构比，仅需事件数据即可计算，有效避免了传统方法对APS信息或人工标注的依赖。使用时可先将事件流按固定数量分割为非重叠组，计算各组ESR值后取平均得到整体评分，从而对不同去噪方法在统一标准下进行量化比较与可视化分析。

背景与挑战

背景概述

事件相机作为一种生物启发的视觉传感器，凭借其高动态范围、低延迟和低功耗等优势，在计算机视觉领域展现出巨大潜力。然而，由于差分成像机制和对数转换特性，事件相机对噪声极为敏感，尤其在低对比度环境下噪声问题尤为突出。为应对这一挑战，中国科学技术大学的研究团队于2023年提出了E-MLB数据集，该数据集旨在为事件去噪研究提供大规模、多噪声级别的基准测试平台。E-MLB包含100个场景，每个场景涵盖四种噪声水平，规模达到现有最大数据集的12倍，显著提升了数据多样性和真实性，为事件相机在复杂环境下的鲁棒性研究奠定了重要基础。

当前挑战

事件相机去噪领域面临双重挑战：在领域问题层面，现有去噪评估指标多依赖于主动像素传感器信息或人工标注，这在实际低光或高速场景中往往不可靠或不可行，限制了去噪算法的泛化能力。在数据集构建层面，先前数据集规模有限且噪声多样性不足，难以覆盖事件相机真实工作环境中的复杂光照和运动条件。E-MLB通过引入中性密度滤光片模拟多级光照变化，并采集昼夜不同时段的场景数据，有效应对了噪声分布多样性和真实环境覆盖的挑战，同时提出的无参考评估指标ESR突破了传统指标对附加信息的依赖，为去噪算法提供了更普适的评价体系。

常用场景

经典使用场景

在事件相机去噪研究领域，E-MLB数据集被广泛用作评估去噪算法性能的核心基准。其经典使用场景在于为各类去噪方法，包括传统统计方法、基于表面拟合的算法以及深度学习模型，提供了一个统一、大规模且噪声水平分级的测试平台。研究者通过在该数据集上运行算法，能够系统性地分析不同方法在多样化真实场景（如室内外环境、昼夜变化）及不同光照强度（通过中性密度滤光片模拟）下的鲁棒性与有效性，从而推动去噪技术的迭代与优化。

实际应用

E-MLB数据集的实际应用价值深远，直接服务于提升事件相机在极端或复杂视觉任务中的可靠性。在自动驾驶领域，事件相机常用于低光照或高动态范围场景下的快速目标检测与避障，E-MLB提供的多噪声级别数据有助于开发更鲁棒的去噪算法，确保感知系统的准确性。在机器人视觉与同步定位与地图构建中，清晰的事件流是精确估计运动与重建环境的关键，该数据集能助力训练出适应各种光照条件的去噪模型，提升系统在真实世界中的运行稳定性与性能。

衍生相关工作

围绕E-MLB数据集，已衍生出一系列重要的相关研究工作。数据集本身作为基准，被用于全面评估与比较包括BAF、KNoise、DWF等传统滤波方法，TS、IETS等基于时间表面的方法，以及GEF、EDnCNN、EventZoom等学习模型在内的11种代表性去噪算法，并提供了详尽的定量（平均ESR分数）与定性分析。此外，其提出的无参考度量ESR启发了后续对事件流内在质量评估的进一步探索，推动了事件视觉社区向更通用、更便捷的评估框架发展，为未来新型去噪算法的设计与验证奠定了坚实基础。