TeX-1500

TeX-1500是由西湖大学研究团队构建的大规模配对长波红外高光谱成像数据集，旨在为温度-发射率-纹理分解任务提供监督学习基准。该数据集包含1,522个真实场景样本，整合了DARPA IH推扫式成像数据和自主采集的FTIR数据，覆盖不同地理位置、季节、采集时间及传感器类型，每个样本包含校准后的有效波段辐射立方体、波长位置及对齐的物理解释标签。数据集通过统一的预处理协议构建，包括去噪、波长校准和物理解释标签生成，专门用于推动基于学习的红外高光谱到物理属性分解研究，解决传统热感知中物理属性监督数据缺乏的关键问题。TeX-1500 is a large-scale paired long-wave infrared hyperspectral imaging dataset constructed by the research team from Westlake University, designed to provide a supervised learning benchmark for the temperature-emissivity-texture decomposition task. This dataset includes 1,522 real-world scene samples, integrating DARPA IH push-broom imaging data and independently collected FTIR data, covering various geographical locations, seasons, acquisition times and sensor types. Each sample contains calibrated effective-band radiance cubes, wavelength positions, and aligned physical interpretation labels. The dataset is built through a unified preprocessing protocol, which includes denoising, wavelength calibration and physical interpretation label generation, and is specifically dedicated to advancing learning-based research on infrared hyperspectral-to-physical property decomposition, addressing the critical issue of insufficient supervised physical property data in traditional thermal perception.

搜集汇总

数据集介绍

构建方式

TeX-1500数据集的构建源于对长波红外高光谱成像与物理属性分解之间桥梁的迫切需求。研究团队从DARPA Invisible Headlights推扫式数据和自主FTIR采集出发，经过严格的预处理流程：首先剔除坏带并抑制条纹与随机噪声，随后通过大气记录与光谱特征对齐实现波长标定，最终基于HADAR-SLOT的优化管线生成对齐的温度、发射率和纹理标签。每一样本均存储标定后的有效波段辐亮度立方体、波长位置及对应的TeX场，确保了跨场景、跨波段与跨传感器的数据一致性。

特点

TeX-1500数据集具备显著的多样性与物理一致性。其1,522对真实场景样本覆盖五个地理位置、四个季节、昼夜变化及两种传感器架构，波长布局与光谱采样密度各异，这为学习算法提供了丰富的分布外泛化挑战。与传统外观中心的数据集不同，TeX-1500聚焦于稳定的物理属性，通过统一的构建协议使得温度场平滑、发射率谱线清晰、纹理结构可辨析，并有效抑制了热成像中的鬼影效应。这种物理驱动的标注为监督学习奠定了可靠基础。

使用方法

TeX-1500的使用方法聚焦于监督式HSI-to-TeX分解模型的训练与评估。研究者可将其作为配对基准，采用波长感知的基线模型TeX-UNet进行实验，输入为标定后的高光谱波段及其波长位置，输出为温度、发射率和纹理场。数据集支持同传感器场景的留出测试，亦可开展跨传感器的零样本与少样本迁移实验，以检验模型的泛化能力。评估指标涵盖均方误差、光谱角度映射及纹理退化分数，从而全面衡量物理属性恢复的精度与稳定性。

背景与挑战

背景概述

温度-发射率-纹理（TeX）分解旨在从长波红外高光谱成像中恢复物体的热状态、材料光谱响应及可见光般的几何纹理，是实现物理属性中心化热感知的核心技术。然而，现有TeX解算器多为场景特定的逆优化方法，缺乏大规模配对监督数据以驱动数据驱动的学习方法。为填补这一空白，西湖大学的研究团队（Cheng Dai、Jiale Lin、Hongyi Xu、Bingxuan Song、Ziyang Xie与Fanglin Bao）于2026年发布了TeX-1500数据集。该数据集包含1522对来自DARPA Invisible Headlights推扫式成像与FTIR采集的校准真实场景样本，覆盖五个地点、四季变化、多样采集时间、异构波长布局及两类传感器家族。TeX-1500通过一致的恢复与TeX构建协议，为每个样本提供校准的辐射立方体、波长位置及对齐的温度、发射率与纹理标签，并配套了Te X-UNet基线模型，将温度-发射率-纹理分解从场景级手工调参的逆问题转化为了可扩展的监督学习基准，对热红外感知与物理属性理解领域具有里程碑式的推动意义。

当前挑战

TeX-1500数据集所应对的核心挑战在于，现有热感知研究多依赖外观中心的传感代理（如RGB或宽波段热成像），难以直接反映物体的稳定物理属性，而温度-发射率-纹理分解需要从长波红外高光谱中分离相互耦合的热辐射、材料响应与环境辐射，但此前缺乏跨场景、跨传感器的配对标注数据。在构建过程中，团队面临多重技术难题：原始高光谱数据可能存在坏带、条带伪影、随机噪声、波长偏移、传感器相关的有效波段布局差异以及场景依赖的天空辐射干扰，若缺乏一致的恢复协议，这些采集伪影会被吸收到TeX标签中，成为错误的监督信号。此外，不同传感器（DARPA IH推扫式与FTIR）的波长范围与采样密度各异，需通过严格的空-谱联合去噪、带限校准及物理驱动的大气对齐算法，才能生成视觉一致且物理准确的配对样本，进而为神经网络学习提供可靠的跨场景、跨波段、跨传感器的TeX分解监督基准。

常用场景

经典使用场景

在长波红外高光谱成像领域，温度-发射率-纹理分解是一项旨在从热辐射数据中解耦物体热状态、材料光谱响应与可见光类几何纹理的基础性任务。TeX-1500数据集的核心经典使用场景在于为监督式HSI-to-TeX分解提供大规模、跨场景的配对训练与评估基准。研究者可借助该数据集中经严格校准的1,522组真实场景样本，将传统依赖手工调参的逐场景逆问题求解范式，转换为可学习、可复现的数据驱动建模框架，从而推动热物理属性感知从定性分析迈向定量学习。

实际应用

在真实世界中，TeX-1500所支撑的温度-发射率-纹理分解技术具有广阔的实际应用潜力。该数据集所训练的模型能够从热红外高光谱影像中同时恢复物体绝对温度、材料光谱发射率及场景几何纹理，从而赋予机器全天时、无光照依赖的物理感知能力。这一能力在自动驾驶车辆的夜间环境感知、搜索救援中的人员定位、工业设施的异常热状态监测、以及安防监控中的隐蔽目标识别等场景中展现出不可替代的价值，标志着热感知系统从表象测量向本质物理量反演的实质性跃升。

衍生相关工作

TeX-1500的发布催生了一系列具有深远影响的衍生研究工作。其中最具代表意义的是TeX-UNet基线模型的提出，该轻量化全卷积网络首次证明了在配对监督下利用简单U型架构即可学习从高光谱波谱到温度、发射率与纹理场的非线性映射。此外，零样本与少样本跨传感器迁移实验的设立，直接激发了后续关于域自适应、光谱对齐以及传感器无关特征学习的系列探索。这些工作共同勾勒出一条从数据驱动解耦到通用热物理感知的清晰研究路径，使得TeX-1500成为连接模型逆求解与学习式分解的关键枢纽。