EUVP dataset, Underwater imagenet, UIEBD dataset, SQUID dataset, U-45, RUIE benchmark, Jamaica port royal, Virtual periscope, Color correction, Color restoration, TURBID data, OceanDark dataset, USR-248, USOD10k, UFO-120, SUIM, Coral-Net, Eilat, Change detection, LIACI, USOD10k, UFO-120, MUED database|水下图像处理数据集|图像增强数据集

这是一个包含多个水下数据集的仓库，涵盖了图像增强、颜色校正/恢复、单图像超分辨率、单目深度估计、同时增强和超分辨率、图像分割、显著对象检测等多个领域。每个数据集都有其特定的应用和研究背景。

This repository encompasses a variety of underwater datasets, covering areas such as image enhancement, color correction/restoration, single image super-resolution, monocular depth estimation, simultaneous enhancement and super-resolution, image segmentation, and salient object detection. Each dataset is tailored for specific applications and research contexts.

原始信息汇总

数据集概述

1. 图像增强、颜色校正/恢复

• EUVP 数据集

  • 数据链接：Data
  • 论文链接：Paper
  • 代码链接：Code
  • 类型：配对和非配对数据；FUnIE-GAN

• Underwater imagenet

  • 数据链接：Data
  • 论文链接：Paper
  • 代码链接：Code
  • 类型：配对数据；UGAN

• UIEBD 数据集

  • 数据链接：Data
  • 论文链接：Paper
  • 代码链接：Code
  • 类型：Water-Net

• SQUID 数据集

  • 数据链接：Data
  • 论文链接：Paper
  • 代码链接：Code
  • 类型：Underwater-HL

• U-45

  • 数据链接：Data
  • 论文链接：Paper
  • 类型：UDAE

• RUIE 基准

  • 数据链接：Data
  • 论文链接：Paper
  • 类型：RUIE-Net

• Jamaica port royal

  • 数据链接：Data
  • 论文链接：Paper
  • 代码链接：Code
  • 类型：Water-GAN

• Color correction

  • 数据链接：Data

• Color restoration

  • 数据链接：Data
  • 论文链接：Paper
  • 代码链接：Code

• TURBID 数据

  • 数据链接：Data
  • 论文链接：Paper

• OceanDark 数据集

  • 数据链接：Data
  • 论文链接：Paper

2. 单图像超分辨率 (SISR)

• USR-248
  • 数据链接：Data
  • 论文链接：Paper
  • 代码链接：Code
  • 类型：用于2x, 4x, 和 8x 训练；SRDRM, SRDRM-GAN

3. 单目深度估计 (RGB-D)

• USOD10k
  • 数据链接：Data
  • 论文链接：Paper
  • UDepth 论文链接：UDepth paper

4. 同时增强和超分辨率 (SESR)

• UFO-120
  • 数据链接：Data
  • 论文链接：Paper
  • 代码链接：Code
  • 类型：用于2x, 3x, 和 4x SESR 和显著性预测；Deep SESR

5. 图像分割

• SUIM

  • 数据链接：Data
  • 论文链接：Paper
  • 代码链接：Code
  • 类型：SUIM-Net

• Coral-Net

  • 数据链接：Data
  • 论文链接：Paper
  • 代码链接：Code
  • 类型：Coral-Seg

• Eilat

  • 数据链接：Data
  • 论文链接：Paper

• Change detection

  • 数据链接：Data
  • 论文链接：Paper

• LIACI

  • 数据链接：Data
  • 论文链接：Paper

6. 显著对象检测 (SOD)

• USOD10k

  • 数据链接：Data
  • 论文链接：Paper

• UFO-120

  • 数据链接：Data
  • 论文链接：Paper
  • 代码链接：Code

• MUED 数据库

  • 数据链接：Data-1
  • 数据链接：Data-2
  • 论文链接：Paper

7. 对象检测/分类

• A. 通用

  • MOUSS 数据

    • 数据链接：Data
    • 类型：CVPR 2018 工作坊挑战

  • MBARI 数据库

    • 数据链接：Data

  • HabCam 数据库

    • 数据链接：Data

  • OUC-vision

    • 论文链接：Paper

  • MARIS 项目

    • 数据链接：Data

  • NOAA 数据

    • 数据链接：Data

  • Aqualoc 数据集

    • 数据链接：Data
    • 论文链接：Paper
    • 类型：视觉-惯性-压力定位

  • Brackish 数据集

    • 数据链接：Data
    • 论文链接：Paper

  • SUN 数据库 (水下场景)

    • 数据链接：Data

  • FathomNet (图像数据库)

    • 数据链接：Data

• B. 人机合作

  • 潜水员检测

    • 数据链接：Data
    • 论文链接：Paper

  • 通过检测跟踪机器人

    • 数据链接：Data
    • 论文链接：Paper

  • CADDY 潜水员姿态数据

    • 数据链接：Data
    • 论文链接：Paper

• C. 珊瑚礁

  • Moorea 珊瑚 (UCSD)

    • 数据链接：Data
    • 论文链接：Paper

  • 珊瑚礁波多黎各

    • 数据链接：Data

  • Coral-Net

    • 数据链接：Data

• D. 鱼类

  • WildFish 数据库

    • 数据链接：Data
    • 论文链接：Paper

  • 标记的鱼类

    • 数据链接：Data
    • 论文链接：Paper

  • Fish4Knowledge 数据

    • 数据链接：Data

  • 鱼类数据库

    • 数据链接：Data

  • AQUALIFEIMAGES 数据库

    • 数据链接：Data

  • 岩鱼

    • 数据链接：Data

  • 鱼类识别数据

    • 数据链接：Data
    • 论文链接：Paper

  • Oceanwide 图像

    • 数据链接：Data

  • 鱼类检测和跟踪

    • 数据链接：Data
    • 论文链接：Paper

  • 鱼类轨迹检测

    • 数据链接：Data
    • 论文链接：Paper

• E. 垃圾和海洋废弃物

  • TrashCan

    • 数据链接：Data
    • 论文链接：Paper

  • Trash-ICRA19

    • 数据链接：Data
    • 论文链接：Paper

  • 深海废弃物数据库

    • 数据链接：Data
    • 论文链接：Paper

  • 微塑料对海龟构成威胁

    • 数据链接：Data
    • 论文链接：Paper

8. 声学数据

• 五元素声学数据集
  • 数据链接：Data
  • 论文链接：[Paper](http://users.ece.utexas.edu/~bevans

AI搜集汇总

数据集介绍

构建方式

该数据集的构建方式主要通过收集和整理多种水下图像数据，涵盖了从图像增强、颜色校正到物体检测等多个领域。数据集的构建过程中，采用了多种先进的图像处理技术，如FUnIE-GAN、UGAN、Water-Net等，以确保数据的质量和多样性。此外，数据集还包括了不同环境下的水下图像，如珊瑚礁、深海、浅海等，以模拟真实的水下环境。

使用方法

该数据集的使用方法多样，适用于多种水下图像处理任务。用户可以通过提供的代码和论文进行数据集的下载和使用，具体包括图像增强、颜色校正、物体检测等。数据集的文档详细描述了每种数据类型的使用场景和处理方法，用户可以根据自己的研究需求选择合适的数据进行实验和分析。

背景与挑战

背景概述

近年来，水下图像处理技术在海洋科学、水下机器人和环境保护等领域展现出巨大的潜力。水下图像增强、色彩校正与恢复等技术的研究日益受到关注。EUVP数据集、Underwater imagenet、UIEBD数据集等为代表的水下图像数据集，由明尼苏达大学计算机科学与工程系（UMN）的IRV实验室主导创建，旨在解决水下图像质量退化的问题。这些数据集不仅包含了配对和非配对的数据，还涵盖了多种水下环境下的图像，如珊瑚礁、深海和浅海等。通过这些数据集，研究人员可以开发和验证新的图像增强算法，从而提高水下图像的清晰度和色彩还原度，推动水下视觉技术的发展。

当前挑战

尽管这些水下图像数据集为研究提供了宝贵的资源，但仍面临诸多挑战。首先，水下环境的复杂性和多变性导致图像质量的显著退化，如色彩失真、对比度降低和模糊等，这增加了图像处理的难度。其次，数据集的构建过程中，如何确保数据的多样性和代表性，以及如何处理不同光照条件和水质下的图像，都是亟待解决的问题。此外，水下图像的标注和分类工作也面临挑战，因为水下生物和环境的多样性使得标注工作既复杂又耗时。这些挑战不仅影响了数据集的质量，也制约了相关算法的性能提升。

常用场景

经典使用场景

在海洋科学和计算机视觉的交叉领域，EUVP数据集及其相关数据集如Underwater imagenet、UIEBD dataset等，主要用于水下图像增强和色彩校正。这些数据集通过提供配对和非配对的水下图像数据，支持了诸如FUnIE-GAN、UGAN和Water-Net等先进算法的研究与开发。这些算法旨在恢复水下图像的自然色彩和清晰度，从而提高水下视觉系统的性能。

解决学术问题

这些数据集解决了水下图像处理中的关键学术问题，如色彩失真、对比度降低和细节模糊。通过提供高质量的水下图像数据，研究者能够开发出更有效的图像增强和色彩恢复算法，从而推动了水下视觉技术的发展。这些研究不仅提升了水下图像的质量，还为海洋生物学、水下考古学和海洋工程等领域的研究提供了强有力的工具。

实际应用

在实际应用中，这些数据集和相关算法被广泛应用于水下机器人、海洋监测和海底资源勘探等领域。例如，水下机器人利用这些技术进行精确的物体识别和环境感知，海洋监测系统则通过高质量的水下图像进行生态评估和环境变化监测。此外，这些技术还支持了海底考古和沉船打捞等高难度任务的执行。

数据集最近研究

最新研究方向

近年来，水下图像增强与颜色校正领域取得了显著进展。研究者们致力于开发高效的算法以应对水下环境的复杂性，如光线衰减、颜色失真和模糊等问题。其中，生成对抗网络（GAN）如FUnIE-GAN和UGAN被广泛应用于水下图像的增强和颜色恢复，显著提升了图像质量。此外，深度学习模型如Water-Net和RUIE-Net也在水下图像增强方面表现出色，通过大规模数据集的训练，这些模型能够有效处理不同水下环境下的图像。这些研究不仅推动了水下视觉技术的发展，也为海洋生物监测、水下考古和海洋工程等领域提供了强有力的支持。