Image Processing Datasets

一个精选的图像处理数据集列表，涵盖了亮度增强、HDR、色彩增强和图像修复等领域。

A curated list of image processing datasets, encompassing areas such as brightness enhancement, HDR, color enhancement, and image restoration.

原始信息汇总

数据集概述

本数据集是一个精选的图像处理数据集列表，涵盖了图像增亮、高动态范围(HDR)、颜色增强和图像修复等多个领域。这些数据集由Wenjing Wang, Dejia Xu, Qingyang Li, Wenhan Yang维护，并由北京大学STRUCT实验室（PI: Prof. Jiaying Liu）支持。

数据集分类

增亮

1. VIP-LowLight Dataset

   • 描述：八张在极低光条件下捕获的自然图像。
   • 来源：VIP-LowLight Dataset

2. ReNOIR

   • 描述：用于真实低光图像噪声减少的数据集。
   • 来源：ReNOIR

3. Raw Image Low-Light Object Dataset

   • 描述：低光条件下的物体图像数据集。
   • 来源：Raw Image Low-Light Object Dataset

4. Learning to See in the Dark

   • 描述：学习在黑暗中看到的图像数据集。
   • 来源：Learning to See in the Dark

5. ExDARK

   • 描述：专为低光图像研究设计的数据集。
   • 来源：ExDARK

颜色增强

1. MIT FiveK dataset

   • 描述：包含输入/输出图像对，用于学习照片的全局色调调整。
   • 来源：MIT FiveK dataset

2. LRAICE-Dataset

   • 描述：用于图像颜色增强的学习排名方法数据集。
   • 来源：LRAICE-Dataset

3. DPED dataset

   • 描述：通过深度卷积网络在移动设备上生成DSLR质量照片的数据集。
   • 来源：DPED dataset

4. The 500px Dataset

   • 描述：用于照片后期处理框架的数据集。
   • 来源：The 500px Dataset

图像修复

1. Image Inpainting
   • 描述：2018 Chalearn Looking at People Satellite Workshop ECCV图像修复数据集。
   • 来源：Image Inpainting

图像去噪

1. Smartphone Image Denoising Dataset

   • 描述：用于智能手机相机的高质量去噪数据集。
   • 来源：Smartphone Image Denoising Dataset

2. Darmstadt Noise Dataset

   • 描述：用于评估去噪算法的数据集。
   • 来源：Darmstadt Noise Dataset

3. PolyU Dataset

   • 描述：真实世界噪声图像去噪的新基准数据集。
   • 来源：PolyU Dataset

4. RENOIR Dataset

   • 描述：用于真实低光图像噪声减少的数据集。
   • 来源：RENOIR Dataset

5. Holistic Dataset

   • 描述：用于图像去噪的跨通道图像噪声建模数据集。
   • 来源：Holistic Dataset

超分辨率和上采样

1. Train91

   • 描述：用于图像超分辨率的数据集。
   • 来源：Train91

2. Set5

   • 描述：用于基于锚点邻域回归的快速示例型超分辨率的数据集。
   • 来源：Set5

3. Set14

   • 描述：用于单图像尺度上使用稀疏表示的数据集。
   • 来源：Set14

4. B100

   • 描述：用于轮廓检测和分层图像分割的数据集。
   • 来源：B100

5. Urban100

   • 描述：用于从变换自示例的单图像超分辨率的数据集。
   • 来源：Urban100

6. DIV2K

   • 描述：用于单图像超分辨率研究的数据集。
   • 来源：DIV2K

7. LIVE

   • 描述：用于评估全参考图像质量评估算法的数据集。
   • 来源：LIVE

8. Super-Resolution Erlangen (SupER)

   • 描述：用于评估超分辨率算法的数据集。
   • 来源：Super-Resolution Erlangen (SupER)

去雾

1. Waterloo IVC Dehazed Image Database

   • 描述：用于评估单图像去雾算法的数据集。
   • 来源：Waterloo IVC Dehazed Image Database

2. FRIDA dataset

   • 描述：用于雾中视觉增强的数据集。
   • 来源：FRIDA dataset

3. D-HAZY

   • 描述：用于定量评估去雾算法的数据集。
   • 来源：D-HAZY

4. CHIC

   • 描述：用于评估雾模型和去雾方法的数据集。
   • 来源：CHIC

5. HazeRD

   • 描述：用于去雾算法的数据集。
   • 来源：HazeRD

6. I-HAZE

   • 描述：包含真实雾和无雾户外图像的去雾基准数据集。
   • 来源：I-HAZE

7. O-HAZE

   • 描述：包含真实雾和无雾户外图像的去雾基准数据集。
   • 来源：O-HAZE

8. RESIDE: A Benchmark for Single Image Dehazing

   • 描述：用于单图像去雾的基准数据集。
   • 来源：RESIDE: A Benchmark for Single Image Dehazing

去模糊（锐化）

1. Motion Blurred Data

   • 描述：用于理解和评估盲去卷积算法的数据集。
   • 来源：Motion Blurred Data

2. Blurred Data

   • 描述：用于边缘模糊核估计的数据集。
   • 来源：Blurred Data

3. Deconvolution Dataset

   • 描述：用于基准盲去卷积的数据集。
   • 来源：Deconvolution Dataset

4. Blurred Data

   • 描述：用于单图像盲去模糊的比较研究数据集。
   • 来源：Blurred Data

5. Text Deblurring Dataset

   • 描述：用于直接文本去模糊的卷积神经网络数据集。
   • 来源：Text Deblurring Dataset

去雨

单图像雨条纹去除

1. Rain Streak Database

   • 描述：用于真实感雨条纹渲染的数据集。
   • 来源：Rain Streak Database

2. Rain12

   • 描述：用于单图像雨条纹分解的数据集。
   • 来源：Rain12

3. Rain100L, Rain20L and Rain100H

   • 描述：用于深度联合雨检测和去除的数据集。
   • 来源：Rain100L, Rain20L and Rain100H

4. Rain800

   • 描述：用于图像去雨的条件生成对抗网络数据集。
   • 来源：Rain800

5. DID-MDN

   • 描述：用于密度感知单图像去雨的多流密集网络数据集。
   • 来源：DID-MDN

视频图像雨条纹去除

1. MS-CSC-Rain-Streak-Removal
   • 描述：用于视频雨条纹去除的多尺度卷积稀疏编码数据集。
   • 来源：MS-CSC-Rain-Streak-Removal

雨滴去除

1. Raindrop Removal
   • 描述：用于雨滴去除的关注生成对抗网络数据集。
   • 来源：Raindrop Removal

搜集汇总

数据集介绍

构建方式

Image Processing Datasets 是一个精心策划的图像处理数据集集合，涵盖了亮度增强、高动态范围（HDR）、色彩增强和图像修复等多个领域。该数据集由北京大学视觉与图像处理实验室的团队维护，汇集了多个公开数据集，涵盖了从低光照条件下的图像增强到图像去噪、超分辨率等多个研究方向。每个子数据集均通过实验或实际场景采集，确保了数据的多样性和代表性。

特点

该数据集的特点在于其广泛的应用场景和高质量的数据来源。数据集涵盖了从低光照条件下的图像增强到图像去噪、超分辨率等多个研究方向，每个子数据集均经过严格的筛选和标注，确保了数据的多样性和代表性。此外，数据集还提供了丰富的元数据，包括图像的拍摄条件、处理前后的对比等，为研究者提供了全面的实验基础。

使用方法

该数据集的使用方法灵活多样，适用于多种图像处理任务。研究者可以根据具体的研究需求，选择相应的子数据集进行实验。每个子数据集均提供了详细的文档和示例代码，帮助用户快速上手。此外，数据集还支持多种格式的下载，方便用户在不同的平台上进行数据处理和分析。通过该数据集，研究者可以验证和优化图像处理算法，推动相关领域的研究进展。

背景与挑战

背景概述

Image Processing Datasets 是由北京大学视觉与图像处理实验室（STRUCT）的Wenjing Wang、Dejia Xu、Qingyang Li和Wenhan Yang等人维护的一个图像处理数据集集合，涵盖了亮度增强、高动态范围（HDR）、色彩增强和图像修复等多个领域。该数据集集合的创建旨在为图像处理领域的研究人员提供丰富的实验数据，以推动图像增强、去噪、超分辨率等技术的发展。自2014年以来，该数据集集合不断扩展，涵盖了多个子领域的数据集，如低光照图像增强、色彩调整、图像去模糊等。这些数据集在计算机视觉和图像处理领域的研究中发挥了重要作用，尤其是在低光照图像处理、图像去噪和超分辨率等任务中，为算法的开发和评估提供了坚实的基础。

当前挑战

Image Processing Datasets 所解决的领域问题主要集中在图像增强、去噪、超分辨率和图像修复等方面。这些任务在实际应用中面临诸多挑战，例如低光照条件下的图像噪声问题、图像模糊的恢复、以及复杂场景下的图像去雨等。在构建过程中，研究人员面临的主要挑战包括数据的多样性和真实性。为了确保数据集的广泛适用性，研究人员需要收集不同场景、不同光照条件下的图像数据，并确保这些数据能够反映真实世界中的复杂情况。此外，数据标注和处理的复杂性也是一个重要挑战，尤其是在低光照图像增强和图像去噪任务中，如何准确标注噪声和模糊区域，以及如何生成高质量的参考图像，都是构建高质量数据集的关键难点。

常用场景

经典使用场景

在图像处理领域，Image Processing Datasets广泛应用于低光照增强、色彩校正、图像修复等任务。例如，VIP-LowLight Dataset和ReNOIR数据集为低光照条件下的图像增强提供了丰富的实验数据，帮助研究者开发出更高效的算法。MIT FiveK数据集则通过提供大量输入输出图像对，支持了全局色调调整的研究。这些数据集为图像处理算法的开发和验证提供了坚实的基础。

衍生相关工作

Image Processing Datasets衍生了许多经典的研究工作。例如，基于VIP-LowLight Dataset的《Learning to See in the Dark》提出了低光照图像增强的新方法，显著提升了图像质量。MIT FiveK数据集催生了《Learning Photographic Global Tonal Adjustment》等研究，推动了色彩校正算法的发展。此外，DPED数据集衍生了《DSLR-quality photos on mobile devices with deep convolutional networks》等经典工作，展示了深度学习在图像处理中的强大潜力。这些研究工作不仅推动了图像处理领域的发展，也为后续研究提供了重要的参考和借鉴。

数据集最近研究

最新研究方向

近年来，图像处理领域的研究方向主要集中在低光照增强、色彩增强、图像修复、去噪、超分辨率、去雾、去模糊以及去雨等方面。随着深度学习技术的快速发展，基于卷积神经网络（CNN）和生成对抗网络（GAN）的方法在这些任务中取得了显著进展。例如，低光照增强领域的研究通过引入大规模低光照数据集（如ExDARK和Learning to See in the Dark）推动了基于深度学习的低光照图像增强技术的发展。色彩增强方面，MIT FiveK和DPED数据集为基于学习的色彩调整算法提供了重要支持。图像修复和去噪领域，RENOIR和PolyU数据集为真实场景下的图像去噪算法提供了基准测试平台。超分辨率研究则通过DIV2K和Urban100等数据集推动了单图像超分辨率技术的进步。去雾和去雨任务中，RESIDE和Rain800等数据集为算法评估和优化提供了丰富的实验数据。这些数据集和研究方向不仅推动了图像处理技术的创新，也为实际应用（如智能手机摄影、自动驾驶和医学影像分析）提供了重要支持。