MIORe, VAR-MIORe

MIORe数据集侧重于捕捉多样和真实的运动模式，包含轻微到中等的运动模糊，以及偶尔的散焦模糊。VAR-MIORe则扩展了这一设计，模拟极端运动条件，模拟的模糊强度比MIORe强四倍。这两个数据集共同提供了一个全面的测试平台，涵盖了从适度到极端的模糊程度。

The MIORe dataset focuses on capturing diverse and realistic motion patterns, containing mild to moderate motion blur and occasional defocus blur. VAR-MIORe extends this design by simulating extreme motion conditions, with a blur intensity four times that of MIORe. Together, these two datasets provide a comprehensive test bench covering blur levels ranging from moderate to extreme.

搜集汇总

数据集介绍

构建方式

在计算机视觉领域，运动模糊恢复任务对高质量数据的需求日益增长。MIORe与VAR-MIORe数据集通过高帧率CHRONOS 2.1-HD相机捕获清晰原始帧，并基于合成方法生成模糊-清晰图像对。MIORe聚焦多样化的真实运动模式，涵盖轻度至中度运动模糊及偶尔的散焦模糊；VAR-MIORe则扩展至极端运动条件，其模糊强度可达前者的四倍。训练集分别包含7860对和1299对全高清分辨率样本，验证集与测试集规模经严格设计以确保评估的鲁棒性。

特点

该数据集的核心特点在于其层次化的模糊难度设计与光学流统计归一化机制。MIORe提供与现有基准相当的模糊强度，同时引入动态光学流分析以实现跨场景难度一致性；VAR-MIORe则开创性地探索了极端运动场景，填补了高强度模糊恢复研究的空白。两者均保持1920×1080分辨率与8位RGB格式，且通过精确配对的真实-模糊样本支持端到端训练。这种结构既保留了自然场景的复杂性，又提供了可量化的评估基准。

使用方法

数据集适用于高帧率非均匀运动去模糊任务的模型训练与评估。使用方法遵循三阶段范式：开发阶段使用全部训练集进行模型优化；验证阶段通过Codabench平台提交验证集预测结果，与未公开的真实值进行PSNR、SSIM和LPIPS指标比对；最终测试阶段对封闭测试集进行一次性推理提交。评估体系综合考量重建保真度、结构相似性与感知质量，支持跨模型性能对比与鲁棒性分析，为先进去模糊算法的迭代提供标准化实验框架。

背景与挑战

背景概述

MIORe与VAR-MIORe数据集由维尔茨堡大学计算机视觉实验室于2025年推出，专注于高帧率非均匀运动去模糊任务。该数据集通过CHRONOS 2.1-HD高速摄像机采集的清晰帧合成模糊图像，涵盖从轻度到极端运动模糊的多样化场景。其核心研究在于解决动态场景中因相机或物体快速运动导致的图像退化问题，为单图像运动去模糊领域提供了首个兼顾运动模式多样性与模糊强度极值化的基准测试平台，显著推动了计算机视觉中运动复原算法的边界探索。

当前挑战

该数据集针对单图像运动去模糊任务的核心挑战在于极端运动条件下高频细节的恢复与空间可变模糊模式的建模。构建过程中需克服高速序列帧对齐、光学流统计归一化以及合成模糊与真实退化间域差异等难题，同时需平衡模糊强度分级与场景多样性的量化标准，确保数据集的科学性与实用性。

常用场景

经典使用场景

在计算机视觉领域的高帧率运动去模糊研究中，MIORe和VAR-MIORe数据集被广泛应用于评估单图像运动去模糊算法的性能。这些数据集通过高帧率CHRONOS 2.1-HD相机捕捉的清晰帧合成模糊图像，模拟从轻度到极端的非均匀运动模糊场景，为研究者提供了多样化的测试平台。经典使用场景包括算法在复杂运动模式下的恢复能力测试，以及在不同模糊强度下的泛化性能验证。

衍生相关工作

该数据集衍生了一系列经典研究工作，包括基于视觉状态空间模型（EVSSM）的高效去模糊架构、频率域变换器（FFTformer+）的细节恢复方法，以及生成式恢复框架EasyControl-Lite。这些工作不仅在AIM 2025挑战赛中取得了领先性能，还为运动去模糊领域引入了多尺度训练、递归扩散变换和语义对齐融合等创新方向，推动了后续研究的深入发展。

数据集最近研究

最新研究方向

在计算机视觉领域的高帧率运动去模糊研究中，MIORe与VAR-MIORe数据集正推动着非均匀运动模糊处理技术的边界拓展。当前前沿研究聚焦于极端运动条件下的鲁棒性恢复，通过频率域注意力机制与视觉状态空间模型的融合，如FFTformer+架构在保持计算效率的同时显著提升结构重建精度。生成式恢复框架与扩散变换器的引入进一步平衡了感知质量与像素保真度，而多尺度语义对齐策略则有效解决了复杂运动模式下的空间细节自适应融合问题。这些进展不仅突破了传统去模糊任务的性能瓶颈，更为实时高帧率视频处理及自动驾驶等实际应用提供了关键技术支撑。

相关研究论文

• AIM 2025 Challenge on High FPS Motion Deblurring: Methods and Results

  AIM 2025 Challenge · 2025年