Real Rain Dataset

本研究构建的‘Real Rain Dataset’是一个大规模的数据集，包含约29.5K对高质量的雨/无雨图像对，覆盖了广泛的天然雨景。数据集通过半自动方法生成，该方法利用时间先验和人工监督从一系列真实雨图像中提取出清洁图像。数据集的创建旨在解决现有合成雨数据集在模拟真实雨特性方面的局限性，如雨形、方向和强度，并为真实雨图像的定量评估提供公共基准。该数据集的应用领域包括提升现有户外视觉任务如行人检测、视觉跟踪和道路标志识别的性能，通过提供更真实的训练数据来改进单图像雨去除技术。

The 'Real Rain Dataset' constructed in this study is a large-scale dataset containing approximately 29.5K high-quality rainy/clean image pairs, covering a wide range of natural rainy scenes. This dataset is generated via a semi-automatic method, which leverages temporal priors and human supervision to extract clean images from a series of real rainy images. It was created to address the limitations of existing synthetic rain datasets in simulating real rain characteristics, including rain shape, direction and intensity, and to provide a public benchmark for the quantitative evaluation of real rainy images. Applications of this dataset include improving the performance of existing outdoor vision tasks such as pedestrian detection, visual tracking and road sign recognition, as well as advancing single-image deraining techniques by providing more realistic training data.

搜集汇总

数据集介绍

构建方式

在计算机视觉领域，单幅图像去雨任务长期受限于真实雨纹数据的匮乏。Real Rain Dataset的构建创新性地融合了时序先验与人工监督，通过半自动方法从真实雨景视频序列中生成高质量的无雨图像。该方法基于雨滴高速运动的物理特性，即同一像素点不会持续被雨纹覆盖，且受雨像素的亮度会在真实背景辐射值之上波动。具体而言，对每个空间位置，从N帧雨图像序列中计算像素强度值的众数作为背景辐射的初始估计，进而通过全局平滑处理确定合适的百分位数，以生成视觉一致的干净图像。数据采集涵盖170个真实雨景视频，最终构建了包含约29.5K对高分辨率雨/无雨图像的大规模数据集。

特点

该数据集的核心特征在于其高度的真实性与广泛的覆盖范围。与以往基于合成雨纹的数据集不同，本数据集直接来源于真实世界的雨景拍摄，涵盖了城市街道、建筑、公园及森林等多种户外场景，雨纹形态、方向和强度呈现出自然场景中固有的高度多样性。数据集中每对图像均经过严格的质量控制，确保无雨图像在保留背景细节的同时有效去除雨纹干扰。此外，数据集在光照条件、曝光参数及雨密度等方面均具有丰富的变异性，为模型训练提供了接近真实分布的样本，显著提升了去雨算法在真实场景中的泛化能力。

使用方法

该数据集主要应用于单幅图像去雨算法的训练与评估。研究人员可将数据集划分为训练集与测试集，利用其提供的真实雨/无雨图像对，以监督学习方式训练深度去雨网络。训练过程中，网络通过最小化预测结果与真实无雨图像之间的损失函数（如L1损失、结构相似性损失等）来学习雨纹的去除。该数据集亦可作为基准测试集，用于定量评估不同去雨算法的性能，指标包括峰值信噪比（PSNR）和结构相似性（SSIM）。通过在此数据集上的训练，现有CNN去雨器的性能在真实雨图像上得到了显著提升，证明了其对于推动去雨研究向实际应用迈进的重要价值。

背景与挑战

背景概述

在计算机视觉领域，单幅图像去雨技术旨在消除雨纹对图像质量的负面影响，以提升户外视觉任务的性能。Real Rain Dataset由大连理工大学和香港城市大学的研究团队于2019年创建，核心研究问题在于解决现有合成雨纹数据集在真实雨纹建模方面的局限性，如雨纹形状、方向和强度的真实性不足。该数据集通过半自动方法结合时间先验与人工监督，从真实雨景视频序列中生成高质量的无雨图像，构建了包含约29.5K对雨纹/无雨图像的大规模数据集，覆盖了广泛的自然雨景场景。这一工作显著推动了单幅图像去雨技术的发展，为深度学习模型提供了更真实的训练与评估基准，增强了去雨方法在真实场景中的泛化能力。

当前挑战

Real Rain Dataset面临的挑战主要体现在两个方面：首先，在领域问题层面，单幅图像去雨任务本身具有不适定性，雨纹与背景细节在视觉特征上高度相似，导致准确分离雨纹并保留图像结构细节极为困难；现有方法在真实雨纹的随机分布和外观多样性处理上表现不足，容易产生过度去雨或残留雨纹的问题。其次，在构建过程中，获取真实雨纹/无雨图像对存在根本性障碍，因为无法同时捕获同一场景的雨景与无雨状态；研究团队通过利用雨纹的时间特性和人工干预来生成无雨图像，但这一过程需要大量视频帧处理，并依赖于人工评估以确保质量，尤其在密集雨纹场景中，帧数需求可能高达300帧，增加了数据采集与处理的复杂性。

常用场景

经典使用场景

在计算机视觉领域，单幅图像去雨技术旨在消除雨纹对图像质量的干扰。Real Rain Dataset作为首个大规模真实雨纹数据集，其经典使用场景在于为深度学习去雨模型提供高质量的训练与评估基准。该数据集通过半自动方法从真实雨景视频序列中提取出约29.5K对雨纹/无雨图像对，覆盖了从稀疏到密集的多种自然雨况，为模型学习真实雨纹的复杂分布提供了关键数据支撑。

衍生相关工作

基于Real Rain Dataset，研究者们开发了多种先进的去雨网络架构。其中，与该数据集同期提出的SPANet（空间注意力网络）采用了局部到全局的注意力机制，显著提升了真实雨纹的去除效果。后续工作如预训练微调策略、多任务学习框架以及无监督去雨方法，均利用该数据集进行了验证与优化。这些衍生研究共同推动了单幅图像去雨领域向更高效、更实用的方向发展。

数据集最近研究

最新研究方向

在计算机视觉领域，单图像去雨技术旨在提升雨天下户外视觉任务的鲁棒性。Real Rain Dataset的推出，通过半自动方法结合时间先验与人工监督，构建了包含约29.5K对真实雨景图像的高质量数据集，显著弥补了以往合成数据在雨纹形态、方向与强度建模上的不足。该数据集不仅为去雨模型提供了更贴近现实的训练基准，还推动了基于空间注意力机制的网络（如SPANet）发展，这些网络能够以局部到全局的方式精准识别并移除雨纹，提升了模型在真实场景中的泛化能力。当前研究热点集中于利用该数据集优化深度学习架构，探索无监督评估机制，并应对极端密集雨雾等挑战，进一步推动自动驾驶、监控分析等实际应用的发展。

相关研究论文

• Spatial Attentive Single-Image Deraining with a High Quality Real Rain Dataset

  大连理工大学 香港城市大学 · 2019年