Parallel Lensless Dataset

Parallel Lensless Dataset是由加州大学伯克利分校的研究团队创建的一个开放数据集，旨在推动无透镜成像系统的数据驱动研究。该数据集包含25,000张图像，涵盖了两种不同的无透镜成像系统（DiffuserCam和RML）在相同成像条件下的测量数据，并配对了计算生成的真实图像。数据集的创建过程通过并行采集系统实现，确保了数据的高质量和一致性。该数据集主要用于训练和评估基于机器学习的图像重建算法，旨在提升无透镜成像系统的图像质量和分辨率，推动计算成像领域的发展。

The Parallel Lensless Dataset is an open dataset created by a research team at the University of California, Berkeley, designed to advance data-driven research on lensless imaging systems. Comprising 25,000 images, this dataset contains measurement data acquired under identical imaging conditions from two distinct lensless imaging systems—DiffuserCam and RML—paired with computationally generated ground-truth images. Developed via a parallel acquisition system, the dataset ensures high data quality and consistency. Primarily, it is utilized for training and evaluating machine learning-based image reconstruction algorithms, with the objectives of enhancing the image quality and resolution of lensless imaging systems and promoting the advancement of the computational imaging field.

搜集汇总

数据集介绍

构建方式

Parallel Lensless Dataset的构建基于一个创新的并行数据采集系统，该系统能够在相同的成像条件下，通过多个无透镜成像系统同步捕获图像，并与计算生成的真实图像进行配对。硬件系统包括两个无透镜成像器（分别使用高斯扩散器和随机多焦点透镜阵列相位掩模）和一个用于捕获真实图像的有透镜相机。软件框架则负责自动化图像显示和相机捕获，确保数据的同步性和一致性。通过这种方式，数据集能够提供高质量的无透镜成像数据，满足机器学习算法训练的需求。

使用方法

Parallel Lensless Dataset的使用方法主要包括数据加载、图像重建和性能评估。用户可以通过开源代码库访问数据集，并使用提供的软件工具进行图像显示和相机捕获的自动化操作。在图像重建阶段，用户可以利用FISTA算法对无透镜成像数据进行迭代重建，并通过计算对齐技术将重建图像与真实图像进行像素级对齐。最后，用户可以通过比较重建图像与真实图像，评估不同无透镜成像系统的性能，或用于训练和验证机器学习模型。

背景与挑战

背景概述

Parallel Lensless Dataset是由加州大学伯克利分校的Clara S. Hung、Leyla A. Kabuli、Vasilisa Ponomarenko和Laura Waller等人于2025年发布的一个开源数据集，旨在推动无透镜成像领域的数据驱动研究。无透镜成像系统通过使用薄光学元件（如相位掩模）替代传统镜头，具有低成本、紧凑的优势，但其图像质量尚无法与传统消费级相机媲美。近年来，基于机器学习的重建算法成为提升无透镜成像质量的关键技术，但这些算法需要大量高质量的训练数据。Parallel Lensless Dataset通过并行采集系统，提供了包含25,000张图像的数据集，涵盖两种无透镜成像系统（DiffuserCam和RML）的测量数据及其对应的计算真值图像，为无透镜成像系统的性能评估和算法开发提供了重要支持。

当前挑战

Parallel Lensless Dataset的构建面临多方面的挑战。首先，无透镜成像系统的数据采集需要高度专业化的硬件校准和对齐，以确保测量数据的准确性和一致性。其次，由于无透镜成像系统捕获的是多路复用的传感器测量数据，重建算法需要处理复杂的点扩散函数（PSF）和成像非理想性，这对数据质量和算法性能提出了更高要求。此外，为了满足机器学习算法的训练需求，数据集必须包含大量高质量图像，这对数据采集的自动化程度和时间效率提出了挑战。Parallel Lensless Dataset通过并行采集系统和开源硬件控制软件，成功解决了这些难题，为无透镜成像领域的研究提供了重要的数据支持。

常用场景

经典使用场景

Parallel Lensless Dataset 在无透镜成像领域中被广泛用于训练和验证基于机器学习的图像重建算法。该数据集通过并行采集系统，能够在相同的成像条件下捕获多个无透镜成像系统的数据，并配以计算生成的真实图像作为参考。这种设计使得研究人员能够有效地比较不同无透镜成像系统的性能，并优化图像重建算法。

解决学术问题

该数据集解决了无透镜成像领域中数据需求量大且难以获取的难题。通过提供包含25,000张图像的开源数据集，研究人员能够利用这些数据训练复杂的深度学习模型，从而提升无透镜成像系统的图像质量。此外，该数据集还支持信息论分析和端到端系统设计等数据驱动的研究方法，推动了无透镜成像技术的进一步发展。

实际应用

在实际应用中，Parallel Lensless Dataset 可用于开发低成本、紧凑型的无透镜成像设备，如医疗成像、工业检测和消费电子产品。通过利用该数据集训练的机器学习模型，这些设备能够在资源受限的环境中实现高质量的图像重建，从而拓展了无透镜成像技术的应用范围。

数据集最近研究

最新研究方向

近年来，无透镜成像技术在计算成像领域取得了显著进展，尤其是在数据驱动的机器学习算法应用方面。Parallel Lensless Dataset的推出为这一领域提供了重要的实验数据支持。该数据集通过并行采集系统，能够在相同成像条件下获取多个无透镜成像系统的数据，并配以计算生成的真实图像，极大地满足了机器学习算法对大规模训练数据的需求。当前的研究热点主要集中在基于深度学习的图像重建算法、信息论分析以及端到端系统设计等方面。这些研究方向依赖于高质量、大规模的实验数据集，以推动无透镜成像系统的性能提升和应用扩展。Parallel Lensless Dataset的开放性和可扩展性为未来的研究提供了坚实的基础，特别是在3D成像和显微成像领域的进一步探索中，具有重要的科学意义和应用前景。

相关研究论文

• Scalable dataset acquisition for data-driven lensless imaging

  加州大学伯克利分校电气工程与计算机科学系 · 2025年