SmokeBench

SmokeBench是一个为早期火灾场景监控图像去烟而设计的真实世界数据集。该数据集包含在多种场景设置和烟雾浓度下捕获的图像对，提供精确对齐的降质和清洁图像，以支持监督学习和严格的评估。数据集通过一个专门的烟雾采集系统(SAS)收集，该系统能够在真实条件下收集烟雾降质和无烟雾图像对。SmokeBench数据集的发布为在真实火灾场景中推进稳健和实用的图像去烟技术提供了一个宝贵的基础。

SmokeBench is a real-world dataset designed for image desmoking in early fire scene monitoring. This dataset contains image pairs captured under various scene settings and varying smoke concentrations, providing accurately aligned degraded and clean images to support supervised learning and rigorous evaluation. The dataset is collected via a specialized Smoke Acquisition System (SAS), which can gather smoke-degraded and smoke-free image pairs under real-world conditions. The release of the SmokeBench dataset offers a valuable foundation for advancing robust and practical image desmoking technologies in real fire scenarios.

搜集汇总

数据集介绍

构建方式

在早期火灾场景视觉分析领域，SmokeBench通过构建烟雾采集系统实现了真实场景下的数据获取。该系统采用四维参数化设计，综合空间尺度、物品密度、光照条件与拍摄角度构建了43种差异化场景。数据采集过程中通过远程控制烟雾发生器，同步记录从无烟状态到烟雾饱和的完整动态过程，并以两秒间隔进行帧采样。经过质量筛选、特征增强与标签复制三重优化流程，最终生成9975对精确对齐的清晰图像与烟雾退化图像对。

特点

该数据集作为首个真实场景早期火灾烟雾基准数据集，其核心价值体现在多维度场景覆盖与物理真实性。数据集涵盖大中小三种空间尺度下的烟雾扩散模式，包含从稀疏到密集的物品布局，并集成自然光、人工光源与红外夜视等多模态光照条件。通过高角度、平视与低角度三种拍摄视角，完整记录了热对流作用下烟雾的非均匀分布特性。所有图像均源自真实火灾模拟环境，有效克服了合成数据在物理特性建模方面的局限性。

使用方法

针对监督学习框架的设计需求，该数据集提供了标准化的训练测试划分方案。研究人员可将9975对图像中的9875对作为训练集，剩余100对用于模型验证与性能评估。数据集支持基于深度学习的端到端去烟算法开发，包括卷积神经网络、生成对抗网络与Transformer架构的对比研究。评估阶段建议采用Y通道PSNR、结构相似性指数与感知损失等多维度指标，同时提供四种典型测试场景以检验算法在不同烟雾浓度下的泛化能力。

背景与挑战

背景概述

火灾早期阶段（起火后0-15分钟）是应急救援的关键窗口期，此阶段燃烧产生的烟雾会严重降低监控系统能见度，阻碍灾情研判与救援行动。为突破烟雾去除算法研发的瓶颈，北京交通大学、大连工业大学等机构的研究团队于2025年联合发布了SmokeBench数据集。该数据集作为首个真实火灾场景下的监控图像去烟雾基准数据集，通过构建多维度参数化场景采集系统，提供了精确配对的清晰图像与烟雾退化图像，为基于监督学习的去烟雾算法开发奠定了坚实基础。

当前挑战

在技术层面，烟雾去除面临双重挑战：其一，火灾烟雾具有动态非均匀扩散特性，其米氏散射物理模型与稳定分布的水雾存在本质差异，导致传统去雾算法在烟雾场景中泛化能力不足；其二，真实监控系统受硬件限制，采集的低分辨率、窄动态范围图像与合成数据存在显著域差异。在数据构建过程中，需通过精密的环境隔离与时序控制确保图像对齐，同时应对烟雾快速演化导致的特征捕捉困难，需采用质量过滤与特征增强策略消除冗余帧并补充关键烟雾状态样本。

常用场景

经典使用场景

在火灾安全监测领域，SmokeBench数据集为早期火灾场景下的图像去烟研究提供了关键支撑。该数据集通过真实监控系统采集的成对烟雾退化图像与清晰图像，成为评估和优化去烟算法的核心基准。其典型应用场景包括训练深度神经网络模型，如基于Transformer的架构，以消除监控画面中烟雾造成的视觉遮挡，恢复被遮蔽的建筑物内部结构和人员位置信息，从而提升火灾初期应急响应的可视化能力。

实际应用

在智慧消防系统中，SmokeBench支撑的去烟技术可直接应用于实时监控视频增强。通过消除烟雾对监控画面的干扰，救援人员能够快速识别火源位置、被困人员分布及建筑结构细节，为黄金救援窗口期的决策提供视觉依据。该技术还可集成至边缘计算设备，实现火灾现场低延迟图像处理，显著提升应急响应效率与救援成功率。

衍生相关工作

基于SmokeBench的基准特性，研究者开发了多项创新去烟方法。例如MB-TaylorFormer通过泰勒公式扩展的多分支架构，在烟雾浓度变化场景中展现出卓越的恢复性能；DesmokeGAN则结合注意力机制与对抗训练，提升了密集烟雾下的细节重建质量。这些工作不仅推动了图像恢复领域的技术演进，更促进了多模态火灾感知与边缘智能计算等交叉方向的发展。