NTIRE 2021 Challenge on High Dynamic Range Imaging Dataset

该数据集用于高动态范围（HDR）成像挑战，旨在从单个或多个低动态范围（LDR）观测中估计HDR图像，这些观测可能存在曝光不足或过度以及不同来源的噪声。挑战分为两个轨道：轨道1提供单个LDR图像作为输入，轨道2提供三个不同曝光的LDR图像，存在帧间运动。

This dataset is developed for the High Dynamic Range (HDR) imaging challenge, which targets estimating HDR images from single or multiple low dynamic range (LDR) observations that may suffer from underexposure, overexposure, and noise from diverse sources. The challenge is split into two tracks: Track 1 takes a single LDR image as the input, while Track 2 provides three LDR images with varying exposures and inter-frame motion.

搜集汇总

数据集介绍

构建方式

在计算摄影学领域，高动态范围成像技术旨在克服传统传感器在极端光照条件下的局限性。NTIRE 2021 HDR挑战赛引入的数据集，其构建过程体现了对真实场景复杂性的高度模拟。该数据集源自Froelich等人采用专业双相机系统捕获的HDR视频序列，这些视频涵盖了动态光源、高对比度肤色等富有挑战性的场景。为生成对应的低动态范围图像，研究团队基于精确的图像形成模型，通过调整曝光时间参数，从HDR真值图像中合成短、中、长三种曝光的LDR图像。噪声模型融合了光子噪声、读取噪声及模数转换噪声，以逼真地再现实际成像中的信号依赖性噪声特征。最终，经过人工筛选以平衡场景分布并剔除质量不佳的帧，形成了包含约1500个训练样本、60个验证样本及201个测试样本的数据划分，确保了训练与评估数据间无场景重叠。

使用方法

该数据集主要用于推动高动态范围图像重建算法的研发与性能评估。研究者可依据挑战赛设定的两条轨道展开工作：在单帧轨道中，算法需从单一曝光不足或过曝的LDR图像中恢复出完整的HDR信息，重点解决细节幻觉与噪声抑制问题；而在多帧轨道中，算法则需融合具有复杂运动的三曝光LDR序列，并有效处理对齐伪影与鬼影现象。使用流程上，参与者首先利用训练集数据开发模型，随后在验证集上进行调优，最终在未公开真值的测试集上提交预测结果以进行排名。评估阶段将同时计算线性HDR域的PSNR与色调映射后的PSNR-μ，后者作为主要排名依据，全面衡量算法在视觉感知与数值精度上的综合表现。

背景与挑战

背景概述

高动态范围成像技术旨在克服传统相机传感器在捕捉宽光照范围场景时的固有局限，如高光区域饱和与低光区域噪声。NTIRE 2021高动态范围成像挑战赛由华为诺亚方舟实验室与苏黎世联邦理工学院等机构联合组织，于2021年作为CVPR研讨会的一部分首次推出。该挑战赛聚焦于从单幅或多幅低动态范围图像中重建高动态范围图像的核心问题，通过引入包含约1500个训练样本的新数据集，推动了计算摄影领域的前沿研究，并对图像恢复与增强的学术进展产生了显著影响。

当前挑战

该数据集致力于解决高动态范围图像重建中的关键挑战：在单帧输入下，模型需从有限曝光信息中恢复过曝与欠曝区域的细节，同时处理传感器噪声；在多帧场景中，则需应对帧间复杂运动（如相机抖动、非刚性物体移动）带来的伪影问题。数据构建过程中，挑战在于获取高质量真实场景标注：现有方法通常依赖静态包围曝光，难以大规模捕捉动态光照变化与运动多样性。为此，组织者基于专业双相机设备采集的HDR视频，通过精确的图像形成与噪声模型合成低动态范围图像，但需手动筛选以平衡场景分布并移除噪声干扰，这体现了构建大规模、多样化HDR数据集的固有难度。

常用场景

经典使用场景

在计算摄影学领域，高动态范围成像技术致力于克服传统传感器在极端光照条件下的局限性。NTIRE 2021 HDR数据集通过提供包含短、中、长曝光序列的低动态范围图像及其对应的高动态范围真值，成为评估单帧与多帧HDR重建算法的基准平台。该数据集特别模拟了复杂运动场景与动态光源变化，使得研究者能够在接近真实世界的条件下，测试模型在恢复过曝与欠曝区域、消除运动伪影及抑制噪声方面的性能。

解决学术问题

该数据集有效应对了高动态范围成像中的若干核心学术挑战。首先，它通过精确的图像形成模型与噪声模型，解决了合成数据与真实拍摄数据之间的域差异问题，为深度学习提供了高质量的训练样本。其次，数据集设计的双轨道模式——单帧与多帧输入，直接针对了信息缺失与运动对齐这两大难题，推动了算法在有限观测条件下进行细节幻觉与多帧融合的能力。这些贡献显著提升了HDR重建的客观质量指标，如PSNR与PSNR-μ，并为后续研究建立了可靠的评估标准。

实际应用

在实际应用中，该数据集所支撑的技术已渗透至多个消费级与专业级影像领域。智能手机摄影利用单帧HDR算法，在实时拍摄中自动平衡明暗对比，提升出片质量；影视制作则借助多帧融合技术，在后期处理中合成具有丰富细节的高动态范围镜头，增强视觉冲击力。此外，在自动驾驶与监控系统中，HDR成像有助于在逆光或夜间等复杂光照环境下准确识别物体，提升系统的鲁棒性与安全性。

数据集最近研究

最新研究方向

在计算摄影学领域，高动态范围成像技术致力于突破传统传感器在极端光照条件下的局限，以呈现更丰富的视觉细节。NTIRE 2021挑战赛引入的新数据集，通过合成低动态范围图像模拟真实噪声与曝光变化，为单帧与多帧HDR重建算法提供了标准化测试平台。前沿研究聚焦于利用注意力机制与可变形卷积应对动态场景中的运动伪影，同时探索多阶段网络架构以分离去噪、细节恢复与对比度增强等子任务。这些进展不仅推动了移动设备上实时HDR处理的实用化，也为计算机视觉中光照重建与图像生成等交叉课题提供了新范式。

相关研究论文

• NTIRE 2021 Challenge on High Dynamic Range Imaging: Dataset, Methods and Results

  · 2021年