NSR

NSR数据集是一个半真实的夜间雨景图像数据集，包含900对图像。该数据集基于真实的夜间场景，为夜间除雨任务研究提供了新的基准。NSR数据集弥补了现有数据集在夜间雨景图像方面的不足，提供了更多样化的夜间雨景数据，使数据更接近真实场景。

The NSR dataset is a semi-real nighttime rainy scene image dataset containing 900 pairs of images. Built on real nighttime scenarios, it provides a new benchmark for research on nighttime rain removal tasks. The NSR dataset fills the gap of existing datasets in nighttime rainy scene images, and offers more diverse nighttime rainy scene data to make the dataset closer to real-world scenarios.

搜集汇总

数据集介绍

构建方式

在夜间图像去雨研究领域，NSR数据集的构建采用了半真实合成技术。该数据集基于真实夜间场景，通过DJI M30T无人机采集了涵盖校园、停车场、城市道路等多种环境的979对图像。利用Photoshop软件结合掩模生成方法，在原始图像中引入符合物理特性的雨纹细节，其中900对用于训练集，79对用于测试集。这种构建方式既保留了真实夜间场景的噪声特性，又通过精确的雨纹合成弥补了虚拟数据集与真实场景之间的差距。

特点

NSR数据集的核心特点在于其高度贴近真实夜间环境的多样性。与现有合成数据集相比，该数据集首次在夜间去雨任务中引入了真实场景噪声，包括光照不均、雨纹空间异质性等关键特征。数据集中雨纹的分布呈现出靠近光源处密集清晰、远离光源处稀疏模糊的典型夜间光学特性，为模型学习雨纹的空间位置与密度分布提供了充分依据。这种对真实夜间物理现象的精确模拟，使得该数据集成为评估夜间去雨算法性能的重要基准。

使用方法

该数据集主要服务于夜间图像去雨任务的模型训练与性能评估。研究人员可将900对训练图像输入深度学习网络，通过端到端训练学习雨纹去除与背景保留的平衡。在测试阶段，利用79对测试图像定量评估模型的PSNR与SSIM指标。数据集特有的真实噪声与空间异质性特征，可有效验证模型在复杂夜间环境中的泛化能力。同时，该数据集支持与GTAV-NightRain等现有数据集的交叉验证，为夜间去雨算法的比较研究提供统一基准。

背景与挑战

背景概述

夜间图像去雨任务作为计算机视觉领域的重要研究方向，旨在解决低光照条件下雨纹伪影导致的视觉退化问题。NSR数据集由佛山大学联合实验室团队于2025年构建，包含900组基于真实夜间场景的雨图-清晰图配对数据。该数据集针对现有去雨方法在夜间场景中因雨纹空间异质性和光照依赖特性导致的性能衰减问题，通过引入半真实合成技术填补了夜间去雨基准数据的空白，为自动驾驶、夜间监控等实际应用提供了关键数据支撑。

当前挑战

该数据集主要面临双重挑战：在领域问题层面，夜间雨纹因多光源照射呈现空间分布不均特性，近光源处雨纹密集可见而远光源处模糊难辨，传统去雨方法难以同时处理这种光照依赖的雨纹可见性差异；在构建过程中，真实夜间场景的噪声干扰与雨纹合成精度形成矛盾，需通过无人机采集与Photoshop掩码生成技术平衡真实性与数据质量，同时还要克服现有虚拟合成数据集与真实场景间的域差异问题。

常用场景

经典使用场景

在夜间视觉增强研究中，NSR数据集作为首个基于真实场景构建的夜间去雨基准数据集，为模型训练与评估提供了关键支撑。其900对高分辨率图像覆盖校园、城市道路等多类夜景，通过引入真实噪声与雨纹空间异质性特征，显著提升了去雨算法在低照度条件下的泛化能力。该数据集已成为验证位置感知去雨网络性能的核心测试平台，推动夜间图像复原技术向实用化迈进。

衍生相关工作

以NSR数据集为基石，研究者相继提出了一系列创新方法。例如NDLPNet通过位置感知模块与空间编码技术，实现了对雨纹密度分布的自适应建模；RLP先验方法则进一步优化了雨纹定位精度。这些工作共同构建起夜间去雨的技术体系，并启发了跨领域研究，如将三维位置编码机制扩展至雾霾去除等低照度图像复原任务，形成了以空间感知为核心的视觉增强研究范式。

数据集最近研究

最新研究方向

在低光图像恢复领域，NSR数据集的推出标志着夜间去雨研究迈入新阶段。该数据集针对夜间雨纹空间分布不均和光照依赖特性，推动了位置感知去雨网络的发展。前沿研究聚焦于三维空间编码与通道注意力机制的融合，通过位置感知模块精准捕捉雨纹密度分布，结合高效通道注意力优化特征提取。这一方向显著提升了自动驾驶和夜间监控系统的视觉可靠性，为复杂光照条件下的图像恢复奠定了实证基础。

相关研究论文

• 通过

  广东-香港-澳门智能微纳光电子联合实验室、佛山大学物理与光电工程学院、广东省工业智能检测技术重点实验室 · 2025年