isp-uv-es/IPL-Cityscapes-Illuminants

IPL-CityscapesIlluminants-dataset是基于著名的自动驾驶语义分割数据集Cityscapes的修改版本。该数据集通过对每张图像生成不同的光频谱来修改图像，从而生成不同颜色和饱和度的新图像。数据集包含100张原始Cityscapes图像及其对应的分割标签，每张原始图像生成120个修改版本，共计30Gb。The IPL-CityscapesIlluminants-dataset is an illuminant modified version of the famous Cityscapes dataset for autonomous driving semantic segmentation. It contains 100 original Cityscapes images and their corresponding segmentation masks, with each original image generating 120 modified versions covering 20 colors and 6 saturations. The modified images are stored in the modified_images folder, with each original image having 100 subfolders, each containing 120 modified images. The entire dataset is 30 Gb in size.

搜集汇总

数据集介绍

构建方式

在自动驾驶场景理解领域，光照条件对语义分割模型的鲁棒性至关重要。该数据集基于Cityscapes经典语义分割基准，通过物理光学建模对原始图像进行光照变换生成。具体而言，首先为每张图像生成平坦（恒定）光谱，并计算获得RGB像素值所需的像素反射率；随后基于这些反射率，生成不同主波长（颜色）和饱和度的光谱，重新计算得到光照修改后的图像。该方法应用于100张Cityscapes图像，每张原始图像生成120种变体（涵盖20种颜色与6种饱和度），最终构建出包含12,000张图像的综合性光照变化数据集。

特点

该数据集的核心特色在于其系统性的光照扰动设计，通过独立控制色相（20个等级）与饱和度（6个等级），构建了120维光照条件空间，覆盖从自然日光到人工照明的广泛色域。所有图像均保留原始Cityscapes的像素级语义分割标注，使研究者能精确评估光照变化对分割性能的影响。数据集规模适中（30GB），包含100组原始-修改图像对，每组包含120张光照变体，为消融实验和鲁棒性分析提供了理想的控制变量测试平台。

使用方法

该数据集专为语义分割模型的光照鲁棒性评估而设计。使用时，可将原始100张图像作为基准测试集，120种光照变体作为扰动测试集。研究者可通过对比模型在原始图像与修改图像上的分割精度差异，量化其对特定色相或饱和度变化的敏感度。数据集遵循Cityscapes的标注格式，支持直接加载预训练模型进行零样本测试。建议结合20种颜色与6种饱和度的标签信息，进行细粒度的光照条件分析，或作为数据增强策略的验证基准。

背景与挑战

背景概述

IPL-Cityscapes-Illuminants数据集由IPL研究团队创建，旨在探索光照变化对自动驾驶场景语义分割任务的影响。该数据集基于著名的Cityscapes数据集，通过模拟不同光谱成分和饱和度的恒定光照条件，对原始图像进行色彩迁移处理，生成具有多样化光照属性的图像集合。研究团队选取了100张Cityscapes原始图像，每张图像衍生出120种不同光照版本（涵盖20种颜色和6种饱和度），从而构建了一个专注于光照鲁棒性评估的专用数据集。该数据集的发布为计算机视觉领域，特别是自动驾驶感知系统在复杂光照环境下的稳定性研究提供了关键基准，推动了颜色恒常性与语义分割交叉领域的发展。

当前挑战

该数据集面临的挑战主要集中在领域问题和构建过程两方面。在领域问题层面，语义分割模型对光照变化的敏感性是核心挑战，不同色温与饱和度的光照条件可能导致分割精度显著下降，尤其对颜色依赖型类别（如交通标志、信号灯）的识别构成威胁。在构建过程中，挑战包括：1）确保光照模拟的真实性，避免引入人工伪影干扰模型训练；2）平衡光照多样性（20种颜色×6种饱和度）与数据量（120张/原图）之间的关系，防止数据冗余或覆盖不足；3）原始Cityscapes标注的精细度（如像素级语义标签）与光照修改后的图像质量需保持一致性，以支持公平的跨光照评估。

常用场景

经典使用场景

在计算机视觉与自动驾驶领域，语义分割任务对光照环境的鲁棒性至关重要。IPL-Cityscapes-Illuminants数据集通过系统性地改变经典Cityscapes图像的光照条件，生成了包含20种色相与6种饱和度的120种变体图像，为研究光照变化下语义分割模型的稳定性提供了标准化测试平台。研究者可基于该数据集评估模型在极端或非均匀光照下的分割精度，从而推动更鲁棒的视觉感知系统发展。

解决学术问题

该数据集直击当前语义分割模型在光照泛化能力上的薄弱环节。传统数据集如Cityscapes仅包含自然光照场景，导致模型在光照变化时性能显著下降。IPL-Cityscapes-Illuminants通过构建受控光照变体，系统量化了色温与饱和度对分割准确率的影响，为学术界揭示了模型对光照扰动的脆弱性，并为设计光照不变性特征提取方法提供了基准数据，显著推动了领域内光照鲁棒性研究的理论进展。

衍生相关工作

该数据集催生了多项光照自适应语义分割方法的探索。研究者基于其光照变体数据，提出了光照不变特征学习框架（如基于物理模型的光谱反射率分解）、对抗性光照增强训练策略以及多任务学习架构（联合优化分割与光照估计）。相关衍生工作包括将光照扰动作为数据增强手段的通用分割模型改进，以及结合生成对抗网络进行光照风格迁移的域适应方法，为光照鲁棒视觉系统的研究提供了丰富的技术路线。