Bricker

Bricker是由上海交通大学与华为消费者业务集团联合构建的一个面向闪烁条带修复任务的合成与真实配对的多帧RAW数据集。该数据集通过基于光线追踪的物理仿真系统和自动化多曝光捕获工具构建，涵盖了多种显示类型、驱动策略和拍摄条件，旨在提供高质量的曝光括号数据以支持多帧修复研究。数据集包含合成与真实两个子集，其中合成数据模拟了复杂的闪烁条带形态及其随曝光设置的变化，真实数据则捕获了实际拍摄中难以建模的非理想因素，有效弥补了仿真与真实分布之间的域差距。该数据集主要应用于计算机视觉和图像处理领域，特别针对屏幕捕获图像中的闪烁条带去除问题，为多帧RAW修复模型的训练与评估提供了关键数据基础。Bricker is a synthetic and real paired multi-frame RAW dataset for flickering stripe restoration tasks, jointly constructed by Shanghai Jiao Tong University and Huawei Consumer Business Group. This dataset is built via a ray tracing-based physical simulation system and automated multi-exposure capture tools, covering diverse display types, display driving strategies and shooting conditions, aiming to provide high-quality exposure bracketing data to support multi-frame restoration research. The dataset consists of two subsets: synthetic and real. The synthetic data simulates complex flickering stripe patterns and their variations with exposure settings, while the real data captures non-ideal factors that are difficult to model in actual shooting, effectively bridging the domain gap between simulation and real-world distributions. This dataset is mainly applied in the fields of computer vision and image processing, specifically targeting the flickering stripe removal task in screen-captured images, providing a critical data foundation for the training and evaluation of multi-frame RAW restoration models.

搜集汇总

数据集介绍

构建方式

Bricker数据集的构建融合了合成与真实两条技术路径。合成部分基于光线追踪的物理仿真管线，完整模拟屏幕成像的物理过程，包括场景构建、光线投射、亮度积分、退化模拟、逆ISP转换及传感器噪声添加，生成五帧RAW格式的包围曝光序列，曝光时间按四倍比递增。真实部分则通过自主开发的Android自动化采集工具，利用Camera2 API程序化控制曝光参数与ISO，在多种显示设备与拍摄条件下采集多帧RAW数据，并利用长曝光低ISO策略获取近无伪影的真值帧，确保参考帧与真值之间的空间对齐。

特点

该数据集的核心特点在于首次系统性地覆盖了闪烁条纹在包围曝光下的复杂形态变化，包括颜色偏移、复合周期条纹及锯齿状几何图案。数据集的合成子集通过物理驱动模拟忠实再现了这些依赖局部亮度与曝光参数的退化特征，而真实子集则捕捉了仿真难以复现的环境反射、镜头畸变与传感器非均匀性等因素。所有样本均采用RAW格式保存线性传感器读数，便于建模条纹随曝光变化的规律。此外，数据集涵盖了多样的显示类型、驱动策略与拍摄条件，为多帧条纹去除研究提供了高质量的配准数据与基准。

使用方法

Bricker数据集主要用于训练与评估多帧RAW域闪烁条纹去除模型。使用时，用户可加载五帧包围曝光RAW序列及其对应的近无伪影真值帧。模型可先在1000对合成数据上进行预训练，学习基本的条纹去除能力，再在250对真实数据上微调以适应复杂退化。数据以Bayer RAW格式提供，推荐配合论文提出的频率感知条纹先验与多尺度空间交叉注意力调制器使用。评估方面，除常规的PSNR、SSIM、LPIPS等指标外，还可利用新提出的条纹频率一致性指标量化频域条纹抑制效果。数据集代码已开源。

背景与挑战

背景概述

在移动成像技术飞速发展的当下，屏幕拍摄已成为获取数字内容的重要途径，然而，闪烁带状伪影（Flicker-Banding, FB）却严重损害了屏幕截图的视觉质量与可读性。该伪影源于相机卷帘快门与显示屏幕亮度调制之间的时间混叠，产生色彩偏移与锯齿状条纹，对高动态范围融合及光学字符识别等下游任务构成显著阻碍。由上海交通大学张宇伦教授团队与华为消费者业务集团于2026年联合提出的Bricker数据集，正是为了攻克这一挑战而生。该研究团队在揭示复杂FB形态随曝光条件显著变化的规律后，创新性地构建了基于光线追踪物理模拟与自动化多曝光捕获工具的合成-真实配对原始多帧数据集，旨在为多帧FB复原研究提供关键的基准资源。Bricker的提出，不仅系统地确立了曝光包围策略在此类伪影去除中的必要性与可行性，更因其对成像物理过程的忠实建模，为屏幕拍摄图像复原领域注入了崭新的研究活力。

当前挑战

Bricker数据集所应对的核心领域挑战在于FB伪影与真实纹理的难以区分性，尤其是在屏幕内容包含密集文本或网格图案时，传统单帧方法因参数化条纹模型的简化假设而无法可靠解耦。此外，FB的复杂性体现在多重形态上：色彩偏移源于RGB子像素独立脉宽调制导致的行间彩色时相错位；复合FB由显示驱动器中嵌套的多周期亮度调制引发；锯齿状FB则因模块化LED显示屏独立驱动单元间的固定相位跳跃所致。在数据集构建过程中，挑战同样严峻：现有仿真方法无法重现曝光依赖的条纹形态，而现实世界中对齐良好的多帧RAW数据因设备与环境的强耦合性极难获取。为此，研究团队开发了基于光线追踪的物理仿真管线以生成涵盖多样显示类型、驱动策略与捕获条件的合成数据，并设计了安卓自动化捕获工具，通过扩展Camera2 API实现任意参数组合下的程序化曝光序列捕获，最终在克服领域鸿沟的同时构建了包含1250组样本的大规模数据集。

常用场景

经典使用场景

在屏幕拍摄图像复原领域，闪烁条纹（Flicker-Banding）作为一种因卷帘快门与屏幕亮度调制时域混叠而产生的退化现象，长期困扰着图像质量提升。Bricker数据集正是针对这一挑战而构建的，其经典使用场景在于为多帧曝光包围的RAW图像闪烁条纹去除提供标准化的训练与评估基准。通过物理光线追踪模拟与自动化多曝光采集工具，该数据集首次系统地覆盖了多种显示类型、驱动策略和拍摄条件下的复杂闪烁条纹形态，为研究人员提供了合成与真实配对的多帧RAW数据，从而支持从单帧简化模型向多帧互补复原范式的跨越。

解决学术问题

Bricker数据集解决了现有闪烁条纹研究中关键的数据匮乏问题，尤其是缺乏高质量、对齐良好的多帧曝光包围数据集。此前，单帧方法在纹理丰富的屏幕内容中难以区分条纹与真实结构，而现有曝光包围数据集又专为HDR或低光场景设计，未能反映屏幕采集的独特退化特性。Bricker填补了这一空白，使学术界能够系统性研究闪烁条纹在不同曝光下的形态、强度与对比度变化规律，并推动多帧融合模型的设计与评估。其意义在于确立了曝光包围策略在条纹去除中的可行性，并引入了条纹频率一致性（SFC）指标，为频域评价提供了新范式。

衍生相关工作

Bricker数据集的发布催生了多项标志性研究工作，其核心衍生工作即为BRACE模型——一种融合频率感知条纹先验与多尺度空间交叉注意力调制器的多帧RAW复原网络。BRACE利用数据集中提供的条纹频域分析结果，通过频率感知条纹先验（FABP）提取峰值能量与方向特征，再借助多尺度空间交叉注意力调制器（MSCAM）实现跨曝光特征融合，从而在合成与真实基准上均取得最先进性能。此外，该数据集还推动了条纹频率一致性（SFC）指标的提出，为后续研究提供量化评估工具，并激发了对曝光时间/ISO比率的深度探索以及对设备相关颜色偏误的普适性建模工作。