Awesome_Underwater_Datasets

该合集是一个水下数据集资源集合，专注于收集和整理大规模水下数据集及相关资源。涵盖领域包括图像增强与颜色校正、单图像超分辨率、单目深度估计、同时增强与超分辨率、图像分割等。合集以分类列表形式组织，每个条目提供数据集的链接、论文和代码指针，旨在为水下计算机视觉研究提供全面的数据集索引。This collection is a dedicated underwater dataset resource repository focused on collecting and curating large-scale underwater datasets and their associated supporting resources. Covered research areas include image enhancement and color correction, single-image super-resolution, monocular depth estimation, joint enhancement and super-resolution, image segmentation, and other related fields. Organized in a categorized list format, each entry provides links to the dataset, its corresponding academic paper, and code resources, aiming to provide a comprehensive dataset index for underwater computer vision research.

原始信息汇总

数据集详情总结：Awesome Underwater Datasets

该仓库整理了多个水下数据集，覆盖图像处理、计算机视觉与机器学习任务，按应用方向分类如下：

图像增强与色彩校正/恢复

• EUVP dataset：配对与非配对数据，用于FUnIE-GAN。
• Underwater imagenet：配对数据，用于UGAN。
• UIEBD dataset：用于Water-Net。
• SQUID dataset：用于Underwater-HL。
• U-45：用于UDAE。
• RUIE benchmark：用于RUIE-Net。
• Jamaica port royal：用于Water-GAN。
• Virtual periscope：数据链接 http://webee.technion.ac.il/~yoav/research/random_distort.html
• Color correction：数据链接 https://web.whoi.edu/singh/underwater-imaging/datasets/color-correction/
• Color restoration：与SQUID相同数据源。
• TURBID data：数据链接 http://amandaduarte.com.br/turbid/
• OceanDark dataset：数据链接 https://sites.google.com/view/oceandark/home

单图像超分辨率（SISR）

• USR-248：支持2x、4x、8x超分，用于SRDRM和SRDRM-GAN。

单目深度估计（RGB-D）

• USOD10k：用于UDepth。

同步增强与超分辨率（SESR）

• UFO-120：支持2x、3x、4x SESR及显著性预测，用于Deep SESR。

图像分割

• UIIS10K：用于UWSAM。
• USIS10K：用于USIS-SAM。
• UIIS：用于WaterMask。
• SUIM：用于SUIM-Net。
• Coral-Net：用于Coral-Seg。
• Eilat：数据链接 https://sites.google.com/a/unizar.es/semanticseg/
• Change detection：数据链接 http://underwaterchangedetection.eu/index.html
• LIACI：数据链接 https://liaci.sintef.cloud/

显著目标检测（SOD）

• USOD10k：与深度估计共享数据集。
• UFO-120：与SESR共享数据集。
• MUED database：包含两个数据源。

场景重建

• Seathru-NeRF：数据链接 https://sea-thru-nerf.github.io/
• NUSR：数据链接 https://freebutuselesssoul.github.io/uwnerf/
• DRUVA：数据链接 https://github.com/nishavarghese15/DRUVA
• UDR-GS：数据链接 https://drive.google.com/drive/folders/12xmcnH6pZPV3jGsRsrrUl76XhDRnIM6E

目标检测/分类

• 通用：包括MOUSS、MBARI、HabCam、OUC-vision、MARIS、NOAA、Aqualoc、Brackish、SUN、FathomNet等数据集。
• 人机协作：包括Diver detection、Robot tracking、CADDY diver pose等。
• 珊瑚礁：包括Moorea corals、Coral-reef Puerto Rico、Coral-Net。
• 鱼类：包括WildFish、Labeled fishes、Fish4Knowledge、Fish database、AQUALIFEIMAGES、Rockfish、Fish recognition、Oceanwide images、Fish detection and tracking、Fish trajectory detection等。
• 垃圾与海洋 debris：包括TrashCan、Trash-ICRA19、Deep-sea debris、Tiny plastics。

声学数据

• Five-element acoustic dataset：数据链接 http://users.ece.utexas.edu/~bevans/projects/underwater/datasets/
• DIDSON dataset：包含三个数据源，用于鱼类分类与渔业生态评估。
• Spectrogram Analysis：数据链接 https://sites.google.com/site/tomalampert/data-sets?authuser=0
• Caves sonar and vision data：数据链接 https://cirs.udg.edu/caves-dataset/

立体视觉数据

• Tasmania coral point, Scott reef-25, OHara-7：数据链接 http://marine.acfr.usyd.edu.au/datasets/index.html
• Stereo from Flicker：数据链接 http://webee.technion.ac.il/~yoav/research/flicker.html
• CADDY stereo data：数据链接 http://caddy-underwater-datasets.ge.issia.cnr.it/
• HIMB data for UWStereoNet：数据链接 https://github.com/kskin/data
• SQUID dataset：与图像增强数据集共享。

对接数据

• Underwater Docking Images Dataset (UDID)：数据链接 http://vision.is.tohoku.ac.jp/~liushuang/a-vision-based-underwater-docking-system/dataset/

温度数据

• Underwater temperature dataset：数据链接 https://www.seanoe.org/data/00510/62120/

搜集汇总

数据集介绍

构建方式

水下视觉研究领域长期受限于数据匮乏的困境，而Awesome_Underwater_Datasets作为一项系统性聚合工程，通过整合全球多个权威研究机构的公开资源，构建了一个覆盖多任务、多模态的水下数据集生态。该数据集汇集了来自明尼苏达大学、海法大学、大连理工大学等机构的标注数据，涵盖图像增强、超分辨率、深度估计、语义分割、显著性检测、目标识别等十余个研究方向。每个子数据集均提供原始数据、论文引用及代码链接，部分数据集还包含成对与非成对样本，为不同训练范式提供支撑。

特点

该数据集最显著的特征在于其跨任务覆盖与多源异构性。它不仅囊括了EUVP、UIEBD等经典图像增强基准，还整合了USR-248、UFO-120等超分辨率与联合增强数据集，以及SUIM、UIIS10K等语义分割与实例分割资源。此外，数据集特别收录了声学数据（如DIDSON）、立体视觉数据（如SQUID）、温度数据等非视觉模态资源，为水下多模态感知研究提供了稀缺的对照样本。其元数据结构统一，每个条目均标注数据类型（成对/非成对）、对应算法及基准论文，便于研究者快速定位适用场景。

使用方法

研究者可通过GitHub仓库的索引页直接访问各子数据集的原始下载链接，部分数据托管于Google Drive或Zenodo平台。针对图像增强任务，可选用EUVP或UIEBD中的成对样本进行监督学习训练；对于语义分割任务，SUIM数据集提供了8类水下物体的像素级标注。数据集还支持跨任务迁移学习，例如利用UFO-120同时进行超分辨率与显著性预测。所有数据均遵循原发布者的许可协议，使用时需引用对应论文。建议结合各子数据集提供的基准代码（如FUnIE-GAN、Water-Net）进行复现与对比实验。

背景与挑战

背景概述

水下视觉感知是海洋科学探索与工程应用的核心技术之一，然而水体对光的吸收与散射作用导致水下图像普遍存在色彩失真、对比度低、细节模糊等退化现象，严重制约了目标检测、场景重建等高级任务的性能。自2017年以来，明尼苏达大学、大连理工大学、海法大学等国际顶尖机构的研究人员陆续构建了涵盖图像增强、超分辨率、语义分割、目标检测等多类任务的综合数据集。这些数据集不仅为水下图像复原算法（如FUnIE-GAN、Water-Net）提供了标准化评测基准，更推动了深度学习技术在水下机器人自主作业、海洋生态监测等领域的实际部署。其中EUVP、UIEBD等代表性数据集已累计被引用逾千次，成为该领域算法验证的基石。

当前挑战

水下数据集构建面临多重挑战：首先，水下环境的非均匀光照与动态悬浮颗粒导致图像质量波动剧烈，使得欧盟VP、U-45等数据集难以覆盖所有退化模式，现有模型在浑浊水域或深海场景中泛化能力不足。其次，像素级标注成本极高，UIIS10K等语义分割数据集仅包含数千张人工标注图像，而声学数据与视觉数据的跨模态融合问题尚未解决，如DIDSON声纳数据集缺乏同步光学图像。此外，多数数据集集中于浅海或实验室环境，MBARI数据库等深海样本稀少，导致算法在极端压强与低温条件下的鲁棒性验证缺失。数据集规模与多样性之间的平衡仍是制约水下视觉技术迈向通用化的核心瓶颈。

常用场景

经典使用场景

在海洋光学与计算机视觉交叉领域，水下图像因水体对光的选择性吸收与散射作用，常呈现色偏、对比度低下及细节模糊等退化特征。该数据集整合了EUVP、UIEBD、SQUID等众多经典水下图像增强与颜色校正资源，为研究者提供了涵盖配对与非配对样本的丰富训练与评测素材。其最经典的使用场景聚焦于基于深度学习的图像复原任务，例如利用FUnIE-GAN进行端到端的图像质量提升，或借助Water-Net实现多尺度特征融合下的色彩矫正，从而有效恢复水下场景的真实视觉面貌。

实际应用

在实际应用层面，该数据集所支撑的技术已深度融入海洋工程与生态监测的多个环节。例如，经增强后的水下影像被用于自主水下航行器（AUV）的导航与目标识别，显著提升了其在浑浊水域中的作业可靠性；同时，在珊瑚礁健康评估、海洋垃圾自动检测（如TrashCan数据集相关任务）以及渔业资源调查中，清晰化的图像使得深度学习模型能够更精准地完成物种分类与个体计数。此外，该数据集还助力于水下考古与基础设施巡检，通过改善视觉质量降低了人工判读的难度与误差。

衍生相关工作

围绕该数据集已衍生出一系列具有里程碑意义的学术工作。在图像增强领域，FUnIE-GAN首次将生成对抗网络成功应用于水下场景，提出了兼顾像素级与感知级损失的联合训练策略；Water-Net则通过引入门控融合机制，实现了对多种增强子网络输出的自适应整合。在深度估计与三维重建方面，Sea-thru-NeRF与UDR-GS利用该数据集中的图像对，开创性地将神经辐射场技术拓展至水下环境，有效处理了非均匀介质带来的折射与衰减问题。这些工作不仅丰富了水下视觉的理论体系，也为后续研究提供了可复现的基线方法。