BurstDeflicker

BurstDeflicker是一个用于动态场景中闪烁去除的基准数据集，包含合成数据集BurstFlicker-G和真实数据集BurstFlicker-S，数据集结构包括训练集和测试集，训练集包含输入图像和真实标签，测试集用于评估模型性能

BurstDeflicker is a benchmark dataset dedicated to flicker removal in dynamic scenes. It encompasses two subsets: the synthetic dataset BurstFlicker-G and the real-world dataset BurstFlicker-S. The dataset is structured into training and test splits, where the training split includes input images and ground-truth labels, and the test split is designed for evaluating model performance.

原始信息汇总

BurstDeflicker 数据集概述

数据集基本信息

• 数据集名称：BurstDeflicker: A Benchmark Dataset for Flicker Removal in Dynamic Scenes
• 论文状态：NeurIPS 2025 已接收
• 论文链接：https://arxiv.org/abs/2510.09996
• 数据集链接：https://www.kaggle.com/datasets/lishenqu/burstflicker

数据集用途

用于动态场景中闪烁去除的基准数据集

数据集结构

整体结构

dataset ├── BurstFlicker-G │ ├── train │ │ ├── input │ │ └── gt │ └── test └── BurstFlicker-S ├── train │ ├── input │ │ ├── 0001 │ │ │ ├── 0001.png │ │ │ ├── 0002.png │ │ │ └── ... │ │ └── 0002 │ └── gt │ ├── 0001 │ ├── 0002 │ └── ... └── test

数据组成

• 包含两个子数据集：BurstFlicker-G 和 BurstFlicker-S
• 每个子数据集包含训练集和测试集
• 训练集包含输入数据（input）和真实标签（gt）
• 图像序列以文件夹形式组织，每个序列包含多帧PNG图像

使用方法

训练流程

1. 在合成数据集上训练 bash bash ./dist_train.sh 2 options/Restormer_sys.yml

2. 在真实数据上微调 bash bash ./dist_train.sh 2 options/Restormer.yml

测试与评估

1. 测试模型 bash python test.py --input dataset/test/input --output result/restormer --model_path checkpoint/Restormer.pth

2. 评估结果 bash python evaluate.py --input result/restormer --gt dataset/test/gt

引用格式

bibtex @inproceedings{BurstDeflicker_lishenqu, title={BurstDeflicker: A Benchmark Dataset for Flicker Removal in Dynamic Scenes}, author={Lishen, Qu and Zhihao, Liu and Yaqi, Luo and Shihao, Zhou and Hui, Zeng and Lei, Zhang and Jie, Liang and Jufeng, Yang}, booktitle={Advances in Neural Information Processing Systems}, year={2025} }

搜集汇总

数据集介绍

构建方式

在动态场景去闪烁研究领域，BurstDeflicker数据集通过精心设计的采集流程构建而成。该数据集包含BurstFlicker-G和BurstFlicker-S两个子集，采用真实场景连续帧序列与合成数据相结合的方式。每个样本由10帧连续图像组成，通过专业设备采集动态场景下的闪烁现象，并配以经过严格处理的真实无闪烁图像作为基准真值，确保数据对的时空对齐与质量一致性。

特点

该数据集在视频去闪烁任务中展现出显著特性。其覆盖多样化的动态场景，包含复杂光照变化与物体运动模式，有效模拟真实世界中的闪烁现象。数据集提供大规模训练样本与标准化测试集，支持模型在合成数据与真实数据间的迁移学习。独特的连续帧结构设计，使模型能够充分利用时序信息进行闪烁模式分析与修复。

使用方法

研究者可通过Kaggle平台获取该数据集，按照标准目录结构组织数据。训练阶段支持在合成数据集上进行模型预训练，随后在真实数据上进行微调优化。评估流程包含测试集推理与质量评估两个步骤，通过专用脚本可便捷计算去闪烁效果指标。该套完整工具链为视频质量增强研究提供了标准化实验范式。

背景与挑战

背景概述

随着计算摄影技术的快速发展，动态场景下的视频闪烁问题成为影响视觉质量的关键因素。BurstDeflicker数据集由Qu Lishen等研究人员于2025年构建，作为NeurIPS会议收录的基准数据集，其核心目标在于解决动态场景中因曝光不一致导致的时序闪烁现象。该数据集通过提供真实与合成双版本数据，为计算机视觉领域的光照一致性研究建立了标准化评估体系，显著推动了视频增强与图像复原技术的交叉融合发展。

当前挑战

动态场景闪烁消除面临多重技术挑战：在领域问题层面，需克服运动物体与光照变化的耦合干扰，保持时序连贯性的同时避免运动模糊；构建过程中需精准控制曝光参数模拟真实闪烁，并建立大规模高质量配对数据。数据集设计还需平衡合成数据的可控性与真实数据的复杂性，这对数据采集设备和算法泛化能力提出了极高要求。

常用场景

实际应用

在实际应用层面，BurstDeflicker数据集支撑的技术已广泛应用于视频制作与后期处理流程。专业影视制作中，该技术可自动修复因帧率不匹配或传感器噪声导致的画面闪烁问题。消费级电子产品如智能手机摄像头系统，通过集成基于该数据集的去闪烁算法，显著提升了动态场景拍摄质量，为用户提供更稳定的视频录制体验。

衍生相关工作

基于BurstDeflicker数据集，学术界已衍生出多项创新性研究。Restormer等先进Transformer架构被成功应用于时序图像恢复任务，实现了对长序列依赖关系的有效建模。同时，该数据集促进了多帧融合技术与运动补偿算法的结合发展，催生了面向实时处理的轻量化网络结构，为视频增强领域的算法演进提供了持续动力。