4K-HAZE

4K-HAZE数据集是由IEEE的研究人员创建，旨在解决4K超高清图像去雾问题。该数据集包含超过30,000对4K分辨率的雾霾和清晰图像，涵盖白天和夜晚场景。创建过程中，使用了CS-Mixer模型估计场景深度，并通过GU-Net将合成图像迁移到真实雾霾域。4K-HAZE数据集主要应用于提升移动和物联网设备在有限资源下处理4K图像的能力，特别是在去雾技术方面。

The 4K-HAZE dataset was developed by researchers from IEEE to address the problem of 4K ultra-high-definition image dehazing. This dataset contains over 30,000 pairs of 4K-resolution hazy and clear images, covering both daytime and nighttime scenes. During its creation, the CS-Mixer model was used to estimate scene depth, and the GU-Net was employed to transfer synthetic images into the real hazy domain. The 4K-HAZE dataset is mainly applied to enhance the ability of mobile and IoT devices to process 4K images under limited resources, particularly in the field of dehazing technology.

搜集汇总

数据集介绍

构建方式

在超高清图像去雾研究领域，构建高质量数据集面临深度估计与真实感合成的双重挑战。4K-HAZE数据集通过创新的合成流程应对这些难题：首先采用CS-Mixer模型从清晰图像中估计4K深度图，该模型基于MLP架构整合通道与空间域信息，在定制化的4K深度估计数据集上训练而成；随后结合大气散射模型生成非均匀雾霾图像，并引入从真实模糊图像中提取的模糊核以增强真实感；最终通过GU-Net模型借助生成对抗网络将合成图像迁移至真实雾霾域，形成与清晰图像配对的雾霾样本。整个流程可在单张24G显存GPU上实时处理4K分辨率图像，实现了端到端的高保真合成。

特点

该数据集的核心特点体现在其超高清分辨率与场景多样性上。所有图像均保持3840×2160的原始分辨率，为模型提供了丰富的细节结构与密集像素信息，突破了传统低分辨率数据集的局限。数据集中同时包含日间与夜间场景，覆盖了不同光照条件下的雾霾形态，增强了模型的泛化能力。尤为重要的是，合成雾霾具有非均匀分布特性，更贴近真实户外场景中雾霾的空间变化规律。数据集规模达三万对图像，为深度学习模型训练提供了充足样本。此外，配套的深度图与合成流程均为开源资源，为后续研究提供了可复现的基准。

使用方法

该数据集主要用于训练与评估超高清图像去雾算法。研究者可直接使用完整的4K图像对进行端到端训练，无需进行裁剪或降采样，从而充分保留图像的高频细节。在评估阶段，可采用峰值信噪比等传统指标量化去雾效果，同时结合处理速度进行综合权衡，如图1所示的多方法对比分析。数据集的深度图与合成管道也可用于迁移学习，辅助其他视觉任务如场景理解与深度估计。对于资源受限的设备，可参考论文中CS-Mixer与GU-Net的轻量化设计思路，实现高效推理。所有数据与代码均通过GitHub公开，便于学术社区进行后续拓展与应用。

背景与挑战

背景概述

随着超高清图像在移动与物联网设备中的广泛应用，雾霾对户外场景视觉质量的退化问题日益凸显。2023年，IEEE会员Zhuoran Zheng与Xiuyi Jia共同构建了4K-HAZE数据集，旨在解决现有去雾方法在4K分辨率图像处理中的瓶颈。该数据集作为首个包含非均匀雾霾与无雾配对图像的超高清去雾基准，通过合成方法模拟真实雾霾效果，并引入CS-Mixer与GU-Net模型实现实时深度估计与域迁移。其核心研究问题聚焦于提升超高清图像去雾模型的细节感知能力，为资源受限设备上的高效视觉增强提供了关键数据支撑，推动了计算机视觉领域向高分辨率处理方向的演进。

当前挑战

在图像去雾领域，超高清分辨率处理面临模型泛化能力不足的挑战，传统方法在低分辨率数据上训练，难以捕捉4K图像中更密集的局部结构与精细细节，导致去雾效果在真实场景中受限。构建4K-HAZE数据集时，研究人员需克服多重技术障碍：一是缺乏适用于超高清图像的深度图估计方法，现有算法无法高效处理4K分辨率；二是高质量4K深度估计数据稀缺，需依赖Adobe深度扫描器等工具进行增强；三是从合成雾霾图像到真实域的迁移策略尚未成熟，需通过生成对抗网络优化视觉真实性。这些挑战共同凸显了超高清视觉数据合成与评估的复杂性。

常用场景

经典使用场景

在计算机视觉领域，图像去雾技术致力于恢复因大气散射而退化的图像质量。4K-HAZE数据集作为首个超高清去雾基准，其经典使用场景在于为深度学习模型提供高分辨率训练与评估平台。该数据集通过合成方法生成4K分辨率的雾霾图像及其对应的清晰图像对，使得研究者能够在保持图像细节完整性的前提下，开发与优化去雾算法。尤其在移动设备与物联网应用中，4K-HAZE支持模型在有限计算资源下实现实时去雾处理，推动了超高清图像增强技术的实用化进程。

解决学术问题

4K-HAZE数据集主要解决了超高清图像去雾研究中缺乏大规模高分辨率基准数据的问题。传统去雾方法多基于低分辨率图像训练，难以捕捉4K图像中的细微结构与密集像素信息，导致在超高清场景下性能受限。该数据集通过创新的合成流程，结合CS-Mixer深度估计与GU-Net域迁移技术，生成了包含昼夜场景的非均匀雾霾图像，为模型提供了真实且多样化的学习样本。这不仅填补了超高清去雾数据空白，还促进了物理先验与深度学习融合的研究范式，提升了去雾算法在复杂环境下的泛化能力与鲁棒性。

衍生相关工作

基于4K-HAZE数据集，多项经典去雾研究工作得以推进与优化。例如，PSD（Principled Synthetic-to-real Dehazing）方法利用物理先验指导合成到真实的域适应，在数据集评估中表现出色；MGBL（Multi-Guided Bilateral Learning）则通过多引导双边学习实现超高清去雾，兼顾速度与精度。这些工作借鉴了数据集的非均匀雾霾合成策略，深化了对图像退化机制的理解。此外，UDDN（Image-adaptive YOLO）等目标检测研究也借助该数据集提升恶劣天气下的性能，推动了去雾技术与高层视觉任务的交叉创新。