Image Processing Datasets

一个精选的图像处理数据集列表，涵盖了亮度增强、HDR、色彩增强和图像修复等领域。

A curated list of image processing datasets, encompassing areas such as brightness enhancement, HDR, color enhancement, and image restoration.

原始信息汇总

数据集概述

本数据集是一个精选的图像处理数据集列表，涵盖了图像增亮、高动态范围(HDR)、色彩增强和图像修复等多个领域。数据集由北京大学STRUCT Group的Wenjing Wang, Dejia Xu, Qingyang Li, Wenhan Yang维护。

数据集分类

增亮

• VIP-LowLight Dataset
  • 描述: 八张在极低光条件下拍摄的自然图像
  • 来源: VIP-LowLight Dataset
• ReNOIR
  • 描述: 用于真实低光图像噪声减少的数据集
  • 来源: ReNOIR
• Raw Image Low-Light Object Dataset
  • 描述: 低光条件下的物体图像数据集
  • 来源: Raw Image Low-Light Object Dataset
• Learning to See in the Dark
  • 描述: 学习在黑暗中看到的图像数据集
  • 来源: Learning to See in the Dark
• ExDARK
  • 描述: 专为低光图像设计的Exclusively Dark数据集

色彩增强

• MIT FiveK dataset
  • 描述: 包含输入/输出图像对的数据集，用于学习照片的全局色调调整
  • 来源: MIT FiveK dataset
• LRAICE-Dataset
  • 描述: 用于图像色彩增强的学习排名方法数据集
• DPED dataset
  • 描述: 用于通过深度卷积网络在移动设备上获取DSLR质量照片的数据集
  • 来源: DPED dataset
• The 500px Dataset
  • 描述: 用于照片后期处理的白色框架曝光数据集

图像修复

• Image Inpainting
  • 描述: 2018 Chalearn Looking at People Satellite Workshop ECCV图像修复数据集
  • 来源: Image Inpainting

图像去噪

• Smartphone Image Denoising Dataset
  • 描述: 用于智能手机相机的高质量去噪数据集
  • 来源: Smartphone Image Denoising Dataset
• Darmstadt Noise Dataset
  • 描述: 用于基准测试去噪算法的数据集
  • 来源: Darmstadt Noise Dataset
• PolyU Dataset
  • 描述: 真实世界噪声图像去噪的新基准数据集
  • 来源: PolyU Dataset
• RENOIR Dataset
  • 描述: 用于真实低光图像噪声减少的数据集
  • 来源: RENOIR Dataset
• Holistic Dataset
  • 描述: 用于跨通道图像噪声建模及其在图像去噪中的应用的数据集
  • 来源: Holistic Dataset

超分辨率和上采样

• Train91
  • 描述: 通过稀疏表示进行图像超分辨率的数据集
  • 来源: Train91
• Set5
  • 描述: 基于锚定邻域回归的快速示例基超分辨率数据集
  • 来源: Set5
• Set14
  • 描述: 使用稀疏表示进行单图像尺度调整的数据集
  • 来源: Set14
• B100
  • 描述: 用于轮廓检测和分层图像分割的数据集
  • 来源: B100
• Urban100
  • 描述: 从变换的自样本中进行单图像超分辨率的数据集
  • 来源: Urban100
• DIV2K
  • 描述: 用于单图像超分辨率研究的DIV2K数据集
  • 来源: DIV2K
• LIVE
  • 描述: 用于全参考图像质量评估算法的统计评估的数据集
  • 来源: LIVE
• Super-Resolution Erlangen (SupER)
  • 描述: 用于基准测试超分辨率算法的数据集
  • 来源: Super-Resolution Erlangen (SupER)

去雾

• Waterloo IVC Dehazed Image Database
  • 描述: 用于单图像去雾算法感知评估的数据集
  • 来源: Waterloo IVC Dehazed Image Database
• FRIDA dataset
  • 描述: 用于去雾算法的数据集
  • 来源: FRIDA dataset
• D-hazy
  • 描述: 用于图像去雾的数据集
  • 来源: D-hazy
• CHIC
  • 描述: 用于雾模型和去雾方法评估的彩色图像数据库
• HazeRD
  • 描述: 用于去雾算法评估的户外数据集
  • 来源: HazeRD
• I-HAZE
  • 描述: 包含真实雾霾和无雾霾户外图像的去雾基准数据集
• O-HAZE
  • 描述: 包含真实雾霾和无雾霾户外图像的去雾基准数据集
• RESIDE: A Benchmark for Single Image Dehazing
  • 描述: 用于单图像去雾的基准数据集
  • 来源: RESIDE: A Benchmark for Single Image Dehazing

去模糊(锐化)

• Understanding and evaluating blind deconvolution algorithms
  • 描述: 用于理解和评估盲去卷积算法的数据集
• Edge-based blur kernel estimation using patch priors
  • 描述: 使用补丁先验的基于边缘的模糊核估计数据集
• Benchmarking blind deconvolution with a real-world database
  • 描述: 用于基准测试盲去卷积算法的真实世界数据库
• A Comparative Study for Single Image Blind Deblurring
  • 描述: 用于单图像盲去模糊比较研究的数据集
  • 来源: A Comparative Study for Single Image Blind Deblurring

去雨

雨条纹移除

• Rain Streak Database
  • 描述: 用于雨条纹渲染的逼真渲染数据集
  • 来源: Rain Streak Database
• Single Image Rain Streak Decomposition Using Layer Priors
  • 描述: 使用层先验的单图像雨条纹分解数据集
  • 来源: Single Image Rain Streak Decomposition Using Layer Priors
• Rain100L, Rain20L and Rain100H
  • 描述: 用于联合雨检测和移除的单图像数据集
  • 来源: Rain100L, Rain20L and Rain100H
• MS-CSC-Rain-Streak-Removal
  • 描述: 通过多尺度卷积稀疏编码的视频雨条纹移除数据集
  • 来源: MS-CSC-Rain-Streak-Removal
• DID-MDN
  • 描述: 使用多流密集网络的密度感知单图像去雨数据集
  • 来源: DID-MDN

雨滴移除

• Attentive Generative Adversarial Network for Raindrop Removal from A Single Image
  • 描述: 用于从单个图像中移除雨滴的关注生成对抗网络数据集
  • 来源: Attentive Generative Adversarial Network for Raindrop Removal from A Single Image

搜集汇总

数据集介绍

构建方式

Image Processing Datasets是一个经过精心策划的图像处理数据集列表，涵盖了亮区增强、高动态范围(HDR)、色彩增强和图像修复等领域。该数据集由北京大学STRUCT小组的Wenjing Wang、Dejia Xu、Qingyang Li和Wenhan Yang维护，旨在为相关研究提供全面且具有代表性的数据资源。

特点

该数据集的特点在于其广泛性和专业性，包含了多个子数据集，每个子数据集都针对特定的图像处理任务进行了优化。例如，VIP-LowLight Dataset专注于低光照条件下的自然图像，而MIT FiveK dataset则关注于摄影作品的全球色调调整。这些数据集的构建充分考虑了实际应用场景的需求，为研究人员提供了丰富的实验材料。

使用方法

用户可以根据自己的研究需求选择相应的子数据集进行下载和使用。每个数据集的页面都提供了详细的描述和文献引用，便于用户理解数据集的构建背景和使用方法。此外，部分数据集还提供了额外的工具和资源，如代码库和预训练模型，以帮助用户更高效地进行研究和实验。

背景与挑战

背景概述

Image Processing Datasets是一个由北京大学STRUCT Group的研究人员维护的图像处理数据集列表，涵盖了亮度增强、高动态范围（HDR）、色彩增强和图像修复等领域。该数据集的创建旨在为相关领域的研究提供高质量的实验数据，推动图像处理技术的发展。自发布以来，它已成为学术界和工业界在图像处理领域研究的重要资源。

当前挑战

尽管Image Processing Datasets为图像处理研究提供了丰富的数据资源，但在构建和使用过程中也存在一些挑战。首先，数据集的多样性和质量对于算法的泛化能力至关重要，而确保数据集的多样性和质量是一个持续的挑战。其次，随着图像处理技术的快速发展，对数据集的更新和维护提出了更高的要求。此外，数据集标注的准确性和一致性也是影响研究结果的重要因素，这需要不断优化标注流程和工具。

常用场景

经典使用场景

Image Processing Datasets数据集广泛用于图像处理领域的研究与应用，其经典使用场景涵盖了图像增强、去噪、图像修复、超分辨率、去雾、去模糊以及去雨等。在这些场景中，研究者可以利用这些数据集对算法进行训练、验证和测试，以提升算法的准确性和鲁棒性。

实际应用

在实际应用中，Image Processing Datasets数据集的应用场景包括但不限于智能手机相机图像的增强、移动设备上的图像去噪、图像内容的修复以及图像质量的提升等。这些应用直接关系到用户体验和图像产品的质量，对于摄影、影视后期制作、医疗图像处理等领域具有重要的意义。

衍生相关工作

基于Image Processing Datasets数据集，衍生出了一系列相关的研究工作，如低光照图像的噪声减少、图像超分辨率算法的比较研究、去雾算法的评测以及去雨技术的深入研究等。这些工作不仅丰富了图像处理领域的理论体系，也为实际应用提供了强有力的技术支持。