BlueDepth

BlueDepth数据集由北京科技大学自动化学院知识自动化教育部重点实验室开发，旨在为水下单目深度估计任务提供高质量的训练数据。该数据集包含38,162对水下图像及其对应的可靠深度标签，覆盖了各种水下场景、水型和光照条件。数据集的构建过程包括从七个现有数据集中生成伪标签深度图，并使用轻量级、准确且鲁棒的图像质量评估模型进行选择，以确保深度图的精度。BlueDepth数据集为评估不同水下单目深度估计算法的性能提供了一个全面的基础，并为构建高质量的水下深度估计数据集奠定了坚实的基础。

The BlueDepth dataset was developed by the Key Laboratory of Knowledge Automation (Ministry of Education), School of Automation, University of Science and Technology Beijing, to provide high-quality training data for underwater monocular depth estimation tasks. This dataset contains 38,162 pairs of underwater images and their corresponding reliable depth labels, covering diverse underwater scenes, water types, and illumination conditions. The construction pipeline of the dataset includes generating pseudo-labeled depth maps from seven existing datasets, and selecting these maps using a lightweight, accurate and robust image quality assessment model to ensure the accuracy of the depth maps. The BlueDepth dataset provides a comprehensive foundation for evaluating the performance of different underwater monocular depth estimation algorithms, and lays a solid foundation for constructing high-quality underwater depth estimation datasets.

原始信息汇总

Tree-Mamba数据集概述

数据集基本信息

• 数据集名称: Tree-Mamba: A Tree-Aware Mamba for Underwater Monocular Depth Estimation
• 对应论文: Tree-Mamba论文
• 作者: Peixian Zhuang, Yijian Wang, Zhenqi Fu, Hongliang Zhang, Sam Kwong, Chongyi Li
• 机构:
  • University of Science and Technology Beijing
  • Wenzhou Medical University
  • Tsinghua University
  • Deepinfar Ocean Technology Inc.
  • Lingnan University
  • Nankai University

数据集详情

• 数据集名称: BlueDepth
• 数据量: 38,162 underwater image pairs
• 特点:
  • 包含多样化的水下场景
  • 包含各种质量退化的图像
  • 提供可靠的深度标签

数据集构建方法

1. 数据来源: 现有七个UMDE数据集（Sea-Thru, NYU-U, SQUID, FLSea, Atlantis, SUIM-SDA, USOD10K）的所有水下图像
2. 伪标签生成: 使用六种最先进的MDE方法（AdaBins, DPT, Marigold, Depth Anything V1, Depth Anything V2, Lotus Depth）生成伪标签深度图
3. 主观评估: 从随机选择的子集中进行主观评估
4. 模型微调: 使用LAR-IQA模型进行微调
5. 自动选择: 使用微调后的LAR-IQA模型自动选择最佳深度图

应用与效果

• 应用领域: 水下单目深度估计（UMDE）
• 效果:
  • 显著提高了UW-GAN、UDepth、UW-Depth和Tree-Mamba等方法的深度估计结果
  • Tree-Mamba方法在定性和定量评估中均优于其他竞争对手

相关资源

• 论文: Tree-Mamba论文
• 补充材料: 未提供具体链接
• 代码: 未提供具体链接
• 数据集: 未提供具体下载链接

搜集汇总

数据集介绍

构建方式

BlueDepth数据集的构建过程采用了多阶段精细化的方法。研究团队首先整合了7个现有水下数据集（Sea-Thru、NYU-U等）的53,311幅图像，通过6种前沿单目深度估计模型生成候选深度图。随后采用四步筛选机制：首先生成伪标签深度图，然后通过专家主观评估建立小样本评估集，接着使用微调的LAR-IQA质量评估模型进行自动化筛选，最终保留质量分数≥90的38,162组高质量图像-深度对。这种融合多模型预测与严格质量控制的构建策略，显著提升了深度标签的可靠性。

特点

该数据集具有三个显著特征：首先，其规模达到38,162组数据，远超现有同类数据集；其次，覆盖了4种水体类型（蓝/绿/浑浊/无色）、4种光照条件和10类水下场景（岩石/沉船/珊瑚等），具有出色的场景多样性；最后，通过集成6种先进模型的预测优势并经过严格质量筛选，其深度图在边缘锐度和几何精度上明显优于现有基准，如图2所示USOD10K对比结果，能更准确反映物体深度关系。这些特性使其成为水下单目深度估计领域的新标杆。

使用方法

BlueDepth数据集主要服务于水下单目深度估计算法的训练与评估。使用时可按照4:1比例划分为训练集（30,530对）和测试集（7,632对），其中测试集包含真实水下场景（Test-FR5691）和合成场景（Test-FS1941）两个子集。研究者可采用标准深度估计指标（RMSE、δ1等）进行量化评估，如图8-10所示的视觉对比验证方法亦被推荐。该数据集特别适合验证模型在复杂水下环境中的鲁棒性，其提供的可靠深度标签能有效避免错误深度关系的建模，如论文中Tree-Mamba模型在该数据集训练后性能显著提升。

背景与挑战

背景概述

BlueDepth是由Peixian Zhuang等研究人员于2025年提出的水下单目深度估计基准数据集，旨在解决水下环境中由于光线吸收和散射效应导致的图像退化问题。该数据集包含38,162对水下图像及其对应的高精度深度图，涵盖了多种水下场景、水质类型和光照条件。BlueDepth的创建基于七种现有的水下深度估计数据集，通过六种领先的单目深度估计模型生成伪标签深度图，并利用微调的图像质量评估模型筛选出最准确的深度图。这一数据集为训练深度学习模型提供了可靠的对象-深度关系，显著提升了水下深度估计的准确性。

当前挑战

BlueDepth面临的挑战主要包括两个方面：首先，水下单目深度估计任务本身存在挑战，如光线吸收和散射导致的图像退化，以及水下环境中复杂的深度变化和纹理缺失；其次，数据集的构建过程中也遇到了诸多困难，包括如何生成高精度的伪标签深度图、如何确保深度图与水下图像之间的对象-深度关系准确，以及如何覆盖多样化的水下场景和光照条件。此外，现有的水下深度估计数据集通常包含不可靠的深度标签，这进一步增加了构建高质量数据集的难度。

常用场景

经典使用场景

BlueDepth数据集在水下单目深度估计（UMDE）任务中展现出卓越的应用价值。该数据集通过提供38,162对高质量水下图像及其对应的可靠深度标签，为深度学习模型训练提供了坚实基础。其经典使用场景包括水下导航、三维重建和定位等领域，尤其在复杂海洋环境中，能够有效解决因光线吸收和散射效应导致的图像退化问题。

解决学术问题

BlueDepth数据集显著提升了水下深度估计的精度和鲁棒性，解决了现有数据集中深度标签不可靠、物体-深度关系错误等关键学术问题。通过整合多种先进深度估计模型生成的伪标签，并结合图像质量评估模型筛选最优深度图，该数据集确保了深度标签的高可靠性，为模型训练提供了准确的监督信号。这一突破性工作填补了高质量水下图像-深度对稀缺的空白，推动了UMDE领域的理论和技术发展。

衍生相关工作

围绕BlueDepth数据集已衍生出多项创新性研究，最具代表性的是Tree-Mamba方法。该方法首创性地将树感知扫描策略引入Mamba架构，通过动态构建最小生成树来捕捉水下图像的空间拓扑特征。此外，该数据集还促进了水下全景图像深度估计、自监督学习等方向的研究，为UMDE领域树立了新的性能基准。基于BlueDepth的系列工作已在IEEE TPAMI、CVPR等顶级期刊会议上发表，形成了完整的技术生态。