FE-Blurframe

FE-Blurframe数据集是一个用于运动模糊图像线段检测与事件的数据集，包含52个不同场景的序列，每个序列由事件相机和高帧率RGB相机同步采集得到，适用于计算机视觉领域中的线段检测和框架解析任务。

原始信息汇总

FE-Blurframe 数据集概述

数据集基本信息

• 名称：FE-Blurframe Dataset
• 许可证：MIT
• 标签：计算机视觉、线段检测、线框解析、模糊图像、事件数据
• 数据规模：小于1K样本

数据采集与内容

• 采集设备：采用双摄像头系统，包含DAVIS 346事件相机和FLIR RGB相机，通过分束器安装
• 采集地点：武汉大学
• 场景类型：多样化的室内和室外场景
• 序列数量：52个序列
• 数据内容：每个序列包含事件相机的事件流和APS图像，以及FLIR相机同步的高帧率RGB图像（200 Hz，640×512分辨率）

数据组织

• 格式：JSON文件（train.json, test.json）及对应的图像和事件数据
• 训练集样本数：600
• 测试集样本数：200

数据特征

• 特征字段：
  • blur_image（模糊图像）
  • start_image（起始图像）
  • end_image（结束图像）
  • events（事件数据）
  • H（矩阵）
  • image_size（图像尺寸）
  • junc（连接点）
  • flow（光流）
  • lines（线段）
  • edges_positive（正边缘）

下载方式

• 通过huggingface-hub下载： shell python3 -m pip install huggingface-hub huggingface-cli download --repo-type dataset lh9171338/FE-Blurframe --local-dir ./

• 通过Git下载： shell git lfs install git clone https://huggingface.co/datasets/lh9171338/FE-Blurframe

使用方式

• 从Hugging Face Hub加载： python from datasets import load_dataset ds = load_dataset("lh9171338/FE-Blurframe", trust_remote_code=True)

• 从本地加载： python from datasets import load_dataset ds = load_dataset("FE-Blurframe.py", trust_remote_code=True)

• 使用jsonl文件加载： python import jsonlines with jsonlines.open("test.jsonl") as reader: infos = list(reader)

引用信息

@ARTICLE{10323537, author={Yu, Huai and Li, Hao and Yang, Wen and Yu, Lei and Xia, Gui-Song}, journal={IEEE Transactions on Pattern Analysis and Machine Intelligence}, title={Detecting Line Segments in Motion-Blurred Images With Events}, year={2023}, pages={1-16}, doi={10.1109/TPAMI.2023.3334877} }

搜集汇总

数据集介绍

构建方式

在计算机视觉领域，针对运动模糊图像中的线段检测问题，FE-Blurframe数据集通过双相机系统构建。该系统采用DAVIS 346事件相机与FLIR RGB相机经由分束器精密配准，在武汉大学采集了涵盖多样室内外场景的52组序列数据。每段序列同步记录事件相机的APS图像与事件流，以及FLIR相机200Hz高帧率（640×512分辨率）的清晰RGB图像，为线段标注提供精确的时空对齐参考。数据最终以JSON格式组织为训练集（600样本）与测试集（200样本）。

特点

该数据集的核心特征在于融合事件数据与多模态图像信息，为运动模糊场景下的视觉解析提供丰富信号。其包含模糊图像、起始与终止时刻清晰图像、事件流、齐次变换矩阵、图像尺寸、连接点、光流、线段及边缘正样本等十类特征字段。事件相机的高时空分辨率特性有效补偿了传统RGB相机在动态场景中的信息缺失，而高帧率RGB图像则提供了可靠的标注基准，共同支撑模糊环境中线段检测的算法验证与比较。

使用方法

研究者可通过Hugging Face Hub或本地加载方式便捷使用该数据集。利用`datasets`库的`load_dataset`函数，指定数据集名称即可获取结构化数据，其中训练集与测试集分别包含600和200条样本，每条样本均提供十类特征字段。此外，数据集支持JSONL格式的直接读取，通过`jsonlines`库可解析文件名、图像尺寸、变换矩阵、连接点、光流、线段及边缘标注等关键信息，满足不同实验流程的需求。

背景与挑战

背景概述

FE-Blurframe数据集由武汉大学研究团队于2023年构建，专注于运动模糊图像中的线段检测问题。该数据集采用DAVIS 346事件相机与FLIR RGB相机组成的双摄像头系统，通过光束分离器同步采集52组室内外场景序列。其核心研究在于解决传统视觉系统在高速运动环境下图像模糊导致的特征提取困难，为计算机视觉领域的运动模糊解析提供了重要的基准数据，推动了事件相机在动态场景感知中的应用发展。

当前挑战

该数据集主要应对运动模糊图像中线段检测的精度挑战，包括模糊导致的边缘特征退化、传统检测方法对动态场景适应性不足等问题。构建过程中需克服多传感器时空同步、高帧率图像与事件流数据对齐、以及复杂场景下人工标注一致性等关键技术难题，确保数据质量的可靠性与有效性。

常用场景

经典使用场景

在计算机视觉领域，FE-Blurframe数据集专为运动模糊图像中的线段检测任务而设计。该数据集通过事件相机与RGB相机的协同采集系统，构建了包含运动模糊图像、事件流和高帧率清晰参考图像的多模态样本。研究者可利用该数据集训练深度学习模型，从模糊图像中提取精确的线段结构，为视觉感知在动态环境中的鲁棒性研究提供数据支撑。

衍生相关工作

该数据集催生了多项创新研究，特别是基于事件相机的线段检测方法。相关经典工作包括FE-LSD等先进算法，这些方法巧妙融合事件流与图像数据，显著提升了运动模糊条件下的检测性能。后续研究进一步拓展了多模态融合策略，推动了事件视觉与传统计算机视觉的交叉融合，为动态场景分析开辟了新的研究方向。

数据集最近研究

最新研究方向

在计算机视觉领域，FE-Blurframe数据集为运动模糊图像中的线段检测研究提供了重要支撑。该数据集通过事件相机与RGB相机的协同采集，有效解决了传统视觉系统在高速运动场景下的信息缺失问题。当前研究聚焦于事件数据与运动模糊图像的融合处理，探索基于神经网络的动态场景解析方法。随着自动驾驶和机器人导航对实时环境感知需求的提升，该数据集推动了事件视觉与几何视觉的交叉研究，为低光照、高动态范围场景下的视觉感知提供了新的解决方案。相关成果已应用于智能系统的实时环境建模与运动轨迹分析，显著提升了动态视觉识别的鲁棒性与准确性。