OMoBlur

OMoBlur是一个用于真实世界局部运动去模糊的对象运动模糊数据集和基准。

OMoBlur is an object motion blur dataset and benchmark for real-world partial motion deblurring.

原始信息汇总

OMoBlur 数据集概述

数据集基本信息

• 数据集名称：OMoBlur (Object Motion Blur Dataset)
• 主要用途：用于真实世界局部运动去模糊的研究与基准测试
• 关联模型：OMDNet
• 论文状态：已被 CVPR 2026 接收
• 发布日期：2026年3月

数据集内容与结构

数据集包含用于训练和验证的图像数据，严格按照以下目录结构组织：

OMoBlur_Dataset/ ├── train/ │ ├── image_pairs/ │ │ └── <场景目录>/ # 例如：01 │ │ └── <拍摄目录>/ # 例如：0015 │ │ ├── 008_11_b.png # 模糊图像 │ │ ├── 008_11_m.png # 模糊掩码 │ │ └── 008_1.png # 地面真实清晰中间帧 │ └── image_sequence/ │ └── <场景目录>/ │ └── <拍摄目录>/ │ ├── 003.png # 模糊区间内的第一帧（8-11//2） │ └── 013.png # 模糊区间内的最后一帧（8+11//2） └── val/ ├── image_pairs/ ... └── image_sequence/ ...

数据获取与资源

• 官方主页：https://yudingchuan.github.io/OMoBlur_homepage/
• 发布平台：Hugging Face / 百度网盘
• 模型检查点：https://drive.google.com/file/d/1duqA86H3xiEjupJ6qtGOGo3eFFWAIOH3/view?usp=sharing
• 论文链接：https://arxiv.org/

引用格式

bibtex @inproceedings{yu2026omoblur, title = {OMoBlur: An Object Motion Blur Dataset and Benchmark for Real-World Local Motion Deblurring}, author = {Yu, Dingchuan and Li, Jiatong and Zhou, Jingwen and Zhuge, Zhengyue and Chen, Yueting and Li, Qi}, booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)}, year = {2026} }

搜集汇总

数据集介绍

构建方式

在计算机视觉领域，真实世界中的局部运动模糊处理一直是一项具有挑战性的任务。OMoBlur数据集的构建采用了严谨的采集流程，通过在受控场景中捕捉高速图像序列来模拟物体运动产生的模糊效应。具体而言，数据集组织为训练集和验证集，每个场景目录下包含图像对和图像序列两种数据结构。图像对提供了模糊图像、对应的清晰中间帧以及精确的模糊掩码，而图像序列则包含了模糊时间区间内的起始帧与结束帧，共同构成了用于模型训练与评估的完整监督信号。这种结构化的构建方式确保了数据在时空维度上的一致性，为局部运动去模糊研究提供了高质量的基准。

特点

OMoBlur数据集的核心特点在于其专注于真实世界条件下的物体运动模糊，与合成模糊数据集相比，它更贴近实际应用场景的复杂性。数据集不仅提供了模糊-清晰图像对，还包含了精确的模糊掩码，能够明确指示图像中发生运动模糊的局部区域。此外，配套的图像序列数据允许研究者从动态视角分析模糊的形成过程。作为CVPR 2026接受的基准数据集，OMoBlur具有规模适中、标注精准、结构清晰的优势，为开发与评估先进的局部运动去模糊算法奠定了坚实基础。

使用方法

为了有效利用OMoBlur数据集，研究者需按照指定的目录结构组织数据，将数据集严格分为`image_pairs`和`image_sequence`两部分。在训练阶段，可配置相应的YAML配置文件，通过执行训练脚本启动模型学习过程，并利用Tensorboard实时监控损失函数与评估指标的变化。对于快速验证，数据集附带了预训练模型检查点，用户可通过演示脚本加载模型并对提供的真实世界模糊图像进行去模糊处理，结果将保存至指定文件夹。这种使用方法兼顾了算法开发的灵活性与结果复现的便捷性，支持端到端的模型训练与性能评测。

背景与挑战

背景概述

在计算机视觉领域，运动模糊是图像质量退化的常见因素，尤其当场景中特定物体快速移动时，会形成局部模糊，给图像理解与后续处理带来显著困难。OMoBlur数据集由丁川余等人于2026年构建，并发表于CVPR会议，旨在为真实世界局部运动去模糊研究提供高质量基准。该数据集聚焦于物体运动导致的模糊现象，通过精心采集的图像对与序列数据，支持模型学习从模糊图像中恢复清晰中间帧，推动了动态场景分析与计算摄影学的发展。

当前挑战

局部运动去模糊任务面临多重挑战：在领域问题层面，真实世界物体运动模糊往往具有非均匀性与复杂性，模糊区域与清晰背景交织，使得传统全局去模糊方法难以精确分离并恢复细节；同时，运动轨迹的随机性与速度变化增加了建模难度。在数据集构建过程中，挑战在于如何同步捕获高帧率清晰序列与对应模糊图像，确保时间对齐与空间一致性，并生成准确的模糊掩码以指导学习，这需要精密的多相机系统与严格的数据标注流程。

常用场景

经典使用场景

在计算机视觉领域，运动模糊是图像处理中一个长期存在的挑战，尤其当模糊仅局限于图像中的特定对象时，传统全局去模糊方法往往难以奏效。OMoBlur数据集为此类局部运动去模糊研究提供了标准化的评估基准。其经典使用场景聚焦于训练和验证先进的深度学习模型，例如OMDNet，以精准分离并恢复因物体快速运动而产生的局部模糊区域，同时保持图像其余部分的清晰度。该数据集通过提供成对的模糊图像、对应的清晰中间帧以及精确的模糊掩码，为模型学习复杂的运动模糊模式奠定了坚实基础。

解决学术问题

OMoBlur数据集的核心价值在于系统性地解决了真实世界局部运动去模糊研究中的关键瓶颈。过往研究常受限于合成数据与真实场景的差距，或缺乏精确的局部模糊标注。该数据集通过精心采集的真实世界图像序列，提供了对象级运动模糊的精确地面真值，使得研究人员能够深入探究局部模糊的物理成因与空间特性。这不仅推动了去模糊算法在精度与泛化能力上的突破，也为定量评估模型性能建立了可靠的基准，显著提升了该领域研究的科学严谨性与可复现性。

衍生相关工作

OMoBlur数据集的发布催生并连接了一系列重要的衍生研究工作。其直接催生的OMDNet模型，作为该数据集的官方基准模型，展示了在局部运动去模糊任务上的先进性能。该数据集也与更广泛的去模糊研究生态形成互动，例如其README中提及的ReLoBlur数据集，共同丰富了真实世界模糊研究的资源。可以预见，基于OMoBlur的清晰数据标注与基准，未来将涌现更多专注于动态场景理解、视频帧插值以及结合事件相机等新型传感器的创新算法，持续推动计算机视觉底层任务的发展。