WeatherBench

WeatherBench数据集由大连理工大学的研究团队创建，旨在为所有类型的恶劣天气图像恢复提供真实世界的基准数据集。该数据集包含在各种天气条件下（如雨、雪、雾）以及多样化的室外场景和照明设置下捕获的图像对。数据集提供了精确对齐的退化图像和干净图像，可用于监督学习和严格的评估。数据集规模庞大，包含42,002对图像，涵盖了多种天气类型，并提供了白天和晚上的场景，从而提高了照明多样性。数据集的创建过程严格控制了外部环境因素和内部技术参数，以确保图像质量和对齐精度。WeatherBench数据集为推进鲁棒且实用的所有类型恶劣天气图像恢复在现实场景中的应用奠定了宝贵的基础。

The WeatherBench dataset was developed by a research team from Dalian University of Technology, with the goal of providing a real-world benchmark dataset for image restoration tasks targeting all types of severe weather. This dataset comprises image pairs captured under diverse weather conditions (e.g., rain, snow, fog), varied outdoor scenarios, and different lighting configurations. It offers precisely aligned degraded and clean images, which are suitable for supervised learning and rigorous model evaluation. Boasting a large scale, the dataset contains 42,002 image pairs, covering multiple weather types and encompassing both daytime and nighttime scenes, thus enhancing the diversity of lighting conditions. The creation process of the dataset strictly regulates external environmental factors and internal technical parameters to guarantee the image quality and alignment precision. The WeatherBench dataset lays a valuable foundation for promoting the real-world deployment of robust and practical image restoration methods for all kinds of severe weather.

搜集汇总

数据集介绍

构建方式

针对恶劣天气图像复原领域缺乏真实世界统一基准的现状，WeatherBench数据集通过自主研发的全天候天气采集系统（AWAS）进行构建。该系统整合雾霾发生器、降雨模拟器和造雪设备，在严格控制光照、风速及场景静态特性的环境下，依次生成雨、雪、雾三种天气退化类型。采用四阶段地面真值采集工作流，通过无线远程控制实现退化图像与清晰图像的精确时空对齐，并引入基于表观相似性的真值图像匹配策略以消除动态物体干扰，最终形成包含42,002对高质量图像的大规模数据集。

特点

该数据集的核心价值在于其真实性与多样性。所有图像均采集自真实户外场景，涵盖昼夜不同光照条件及多种退化强度，有效避免了合成数据与真实场景间的域差异。数据集同时包含雨条纹、雪颗粒积累和雾霾散射等多种物理退化形态，且每种退化类型均提供像素级对齐的退化-清晰图像对，支持监督学习与量化评估。其统一的多天气类型覆盖特性为全天候图像复原模型提供了前所未有的训练与测试平台。

使用方法

数据集按41,402训练样本和600测试样本划分，所有图像统一为512×512分辨率。研究者可通过加载配对的低质量图像与地面真值图像，采用端到端训练策略开发单一模型处理多种天气退化的复原算法。评估时需计算Y通道的PSNR、SSIM和LPIPS指标，建议使用128×128图像块进行训练以保持对比实验的一致性。该数据集特别适用于验证模型在真实复杂场景下的泛化能力与跨天气类型的统一处理性能。

背景与挑战

背景概述

随着自动驾驶、智能交通等多媒体应用对恶劣天气下视觉感知需求的日益增长，全场景图像恢复技术成为计算机视觉领域的关键研究方向。2025年由大连工业大学、大连海事大学与南京理工大学联合发布的WeatherBench数据集，首次构建了覆盖雨、雪、雾三种天气条件的真实世界图像基准，通过精密设计的全天候采集系统（AWAS）获取了42,002组精确对齐的退化-清晰图像对，为解决多天气联合恢复模型的训练与评估提供了标准化数据基础。

当前挑战

该数据集致力于解决全场景恶劣天气图像恢复的核心挑战：其一，传统方法依赖合成数据混合训练导致的域差异问题，真实场景中雨纹形态、雪粒累积和雾浓度受光照角度、流体动力学等因素影响呈现非线性变化；其二，数据构建过程中需克服多天气序列采集时的时空对齐难题，包括雾气消散延迟引起的场景变化、镜头冷凝干扰，以及夜间低照度条件下退化特征的捕获一致性等问题。

常用场景

经典使用场景

在恶劣天气图像恢复研究中，WeatherBench数据集作为统一的评估基准，被广泛用于训练和验证多任务一体化恢复模型。该数据集通过真实采集的雨、雪、雾霾退化图像对，支持模型在复杂自然环境下的泛化能力测试，成为推动全天候视觉系统发展的重要基础设施。

实际应用

在自动驾驶、智能交通和户外监控等实际场景中，WeatherBench支撑了恶劣天气下视觉感知系统的优化。其涵盖昼夜光照与多类型天气退化的特性，使得训练出的模型能够有效提升雨雪雾霾环境中的图像质量，保障下游任务如目标检测与跟踪的可靠性。

衍生相关工作

基于WeatherBench，研究者开发了如MWFormer、AdaIR等一体化恢复模型，这些工作通过Transformer和扩散模型架构显著提升了多天气条件下的恢复性能。该数据集还促进了PromptIR、DiffUIR等通用恢复方法的演进，为恶劣天气图像处理领域提供了新的技术路线与评估标准。