RSBlur dataset

RSBlur数据集是一个基于双相机系统收集的实时模糊图像数据集，用于促进高效的单图像去模糊研究。该数据集包含了88,871对用于训练的模糊-清晰图像对，1,120对用于验证的图像对，以及3,360对用于测试的图像对。数据集的创建旨在解决在低光环境下因长曝光导致的运动模糊问题，并为图像恢复研究提供真实世界的图像数据。

The RSBlur dataset is a real-world blurred image dataset collected via a dual-camera system, aimed at advancing efficient single-image deblurring research. This dataset consists of 88,871 blurred-sharp image pairs for training, 1,120 pairs for validation, and 3,360 pairs for testing. It was developed to address motion blur caused by long exposures in low-light environments, and provides real-world image data for image restoration research.

搜集汇总

数据集介绍

构建方式

在计算摄影学领域，真实运动模糊数据的采集始终是技术难点。RSBlur数据集通过双相机光学系统实现同步采集：光束经分束器分别投射至两个传感器，短曝光传感器捕获清晰图像作为真值，长曝光传感器同步生成真实运动模糊图像。该架构通过几何与光度对齐技术，构建了包含8,887组训练图像与3,360组测试图像的配对数据集，其扩展测试集进一步采集了84个全新场景的420组图像。

特点

该数据集的核心价值在于其物理采集机制带来的真实性优势。相较于传统合成模糊数据集，RSBlur通过光学同步系统保留了真实场景中的连续运动轨迹、像素饱和特性及传感器噪声等关键物理特征。数据集提供1920×1200像素的高分辨率图像对，并经过严格的空间对齐处理。在AIM 2025挑战赛中，该数据集被证明能有效验证去模糊算法在真实场景下的泛化能力，其构建方式为移动端视觉任务提供了重要的基准测试平台。

使用方法

在模型开发阶段，研究者需遵循严格的效率约束：模型参数量需低于500万，计算量不超过200GMACs。训练时应采用随机裁剪为384×384像素的图像块，配合垂直/水平翻转等数据增强策略。损失函数推荐使用L1范数损失，优化器采用AdamW并配合余弦退火学习率调度。测试阶段需对输出图像进行几何对齐后处理，最终性能通过PSNR、SSIM与LPIPS三项指标的加权组合进行评估，确保算法在移动设备上的实际部署可行性。

背景与挑战

背景概述

在计算摄影学领域，运动模糊是低光照环境下因长曝光时间产生的常见图像退化现象，尤其影响智能手机成像质量。RSBlur数据集由POSTECH与CIDAUT AI等机构于2022年联合创建，通过双相机系统同步采集长曝光模糊图像与短曝光清晰图像，构建了包含8,887组对齐图像的大规模真实世界模糊数据集。该数据集突破了传统合成模糊数据的局限性，为移动端高效去模糊算法研究提供了关键实验基础，推动了AIM 2025等国际挑战赛对计算效率与真实场景适应性的双重探索。

当前挑战

该数据集致力于解决真实场景运动模糊复原的核心难题：其构建过程需克服双相机系统几何对齐偏差、光学校正误差及传感器噪声干扰等工程挑战。在算法层面，模型需在5百万参数与200GMACs计算约束下平衡大感受野需求与移动端部署效率，同时应对真实模糊中连续运动轨迹、像素饱和与ISP管线效应等合成数据未涵盖的复杂退化因素。现有方法虽在PSNR指标上达到31.13dB，但如何在不依赖测试时增强的前提下提升跨场景泛化能力，仍是未完全解决的关键问题。

常用场景

经典使用场景

在计算摄影与图像复原领域，RSBlur数据集凭借其独特的双相机采集系统，成为评估真实运动模糊复原算法的基准平台。该数据集通过光束分离器同步捕捉长曝光模糊图像与短曝光清晰图像，构建了精确对齐的图像对，为深度学习模型提供了高质量的训练与验证素材。其经典应用场景聚焦于智能手机摄影中的动态模糊消除，特别是在低光照条件下因延长曝光时间而产生的运动模糊问题，为移动端图像处理算法的优化提供了重要支撑。

衍生相关工作

该数据集的发布催生了一系列创新性研究，特别是在高效网络架构设计领域。基于RSBlur的AIM 2025挑战赛涌现出NAFRepLocal、RestormerL等代表性工作，这些方法通过对NAFNet和Restormer等基础架构的通道缩减、注意力机制优化和局部操作改进，在保持性能的同时显著降低了计算复杂度。相关研究还推动了重参数化技术、指数移动平均策略在图像复原任务中的应用，为移动端视觉算法的轻量化设计提供了重要参考。

数据集最近研究

最新研究方向

在移动计算视觉领域，RSBlur数据集凭借其双相机系统采集的真实运动模糊图像对，正推动高效去模糊技术的前沿探索。AIM 2025挑战赛以该数据集为基础，聚焦于在严格计算约束下（参数量<500万、计算量<200 GMACs）实现单图像实时去模糊，参赛方案通过改进NAFNet与Restormer等架构，结合重参数化与局部注意力机制，显著提升了移动端模型的性能边界。这一研究方向不仅解决了合成数据与真实场景的泛化鸿沟，更为智能手机影像处理、自动驾驶等实时视觉应用提供了关键技术支撑，标志着计算效率与真实场景适应性的深度融合已成为该领域的核心演进方向。

相关研究论文

• 通过

  Cidaut AI, Spain; POSTECH, Korea; University of Würzburg, Germany · 2025年