HM-TIR

HM-TIR数据集包含清洁和退化红外图像，数据集结构包括：imgs（所有清洁红外图像）、composited（测试复合退化红外图像，包含normal和hard子集）、single（单一退化红外图像，包含blur、contrast和noise子集）、test（测试清洁红外图像）和meta（元数据，包括train.txt和test.txt）

The HM-TIR dataset contains clean and degraded infrared images. Its structure includes the following components: imgs (all clean infrared images), composited (test composite degraded infrared images with normal and hard subsets), single (single-degradation infrared images with blur, contrast and noise subsets), test (test clean infrared images), and meta (metadata including train.txt and test.txt).

原始信息汇总

HM-TIR 数据集概述

数据集基本信息

• 数据集名称：HM-TIR
• 研究主题：红外图像增强
• 相关论文：Enhancing Infrared Vision: Progressive Prompt Fusion Network and Benchmark (NeurIPS 2025)
• 论文链接：https://arxiv.org/abs/2510.09343

数据集内容

图像类型

• 干净红外图像
• 退化红外图像

数据集结构

HM-TIR ├── imgs (所有干净红外图像) ├── composited (复合退化红外图像测试集) │ ├── normal (正常退化子集) │ └── hard (困难退化子集) ├── single (单一退化红外图像) │ ├── blur (模糊退化子集) │ ├── contrast (对比度退化子集) │ └── noise (噪声退化子集) ├── test (测试用干净红外图像) └── meta (元数据，包含train.txt, test.txt)

数据集获取

• 下载地址：https://drive.google.com/file/d/17kq2NQ-8bFeESlanffcOSlFLwGb0Y8Rq/view?usp=sharing

应用场景

• 红外图像增强研究
• 退化图像恢复
• 图像质量评估

相关资源

• 预训练模型：https://drive.google.com/file/d/1Yt_YViFCpxgO-MfBlINVt4-jHAgsalv_/view?usp=sharing
• 真实世界测试集：https://drive.google.com/file/d/1uhWCvPExarnUL-r_G0MW530RXKpj5izJ/view?usp=sharing
• 结果示例：https://drive.google.com/file/d/10jiNGF0c6H0cR83yEN5I3stLf9qiX6cR/view?usp=sharing

联系方式

• Zihang Chen: [e-mail]
• Jinyuan Liu: [e-mail]

搜集汇总

数据集介绍

构建方式

在红外视觉研究领域，HM-TIR数据集通过精心设计的退化模拟流程构建而成。该数据集以高质量红外图像为基础，采用多维度退化策略生成测试样本，涵盖复合退化与单一退化两种场景。复合退化场景进一步细分为常规与困难两个子集，单一退化则专门针对模糊、对比度和噪声三类典型退化类型进行系统化建模。这种分层构建方式确保了数据集在红外图像质量评估领域的全面性与代表性。

特点

HM-TIR数据集展现出鲜明的技术特色，其核心优势在于构建了完整的红外图像质量评估体系。数据集不仅提供原始高质量红外图像作为基准参考，还系统性地模拟了实际应用中常见的多种退化模式。特别值得关注的是，该数据集同时支持复合退化与单一退化的对比研究，为红外图像增强算法的鲁棒性验证提供了多维度的测试平台。这种结构设计使得研究者能够深入分析不同退化因素对红外图像质量的影响机制。

使用方法

针对红外图像处理研究需求，HM-TIR数据集提供了标准化的使用流程。研究者可通过下载完整数据集包，按照预设目录结构组织数据文件。数据集支持训练与测试两个主要应用场景：训练阶段利用原始高质量图像进行模型学习，测试阶段则通过指定退化场景参数对算法性能进行全面评估。具体操作时，用户可根据研究目标选择复合退化或单一退化测试模式，并通过命令行参数灵活配置评估指标，实现高效可靠的实验验证。

背景与挑战

背景概述

红外成像技术作为计算机视觉领域的关键分支，在夜视监控与医疗诊断等场景中具有不可替代的价值。HM-TIR数据集由大连理工大学研究团队于2025年构建，其核心目标在于解决红外图像在复杂环境中因退化效应导致的视觉质量下降问题。该数据集通过系统化构建清晰与退化红外图像的对应关系，为红外图像增强算法提供了标准化评估基准，相关研究成果已被神经信息处理系统大会（NeurIPS 2025）收录，显著推动了红外视觉任务的算法创新与性能突破。

当前挑战

在红外视觉增强领域，多重退化因素的耦合效应构成了核心挑战，包括运动模糊、对比度失衡与传感器噪声等复杂干扰的协同作用。数据集构建过程中需克服退化模拟的真实性难题，既要保证退化类型与程度的可控性，又需维持与真实场景退化模式的一致性。此外，高质量红外数据的稀缺性及标注成本的高昂性，进一步增加了构建大规模标准化数据集的复杂度，这对数据采集设备精度与算法泛化能力提出了更高要求。

常用场景

经典使用场景

在红外视觉研究领域，HM-TIR数据集主要服务于红外图像增强算法的开发与验证。该数据集通过提供清洁红外图像及其对应的多种退化版本（包括模糊、对比度下降和噪声污染等），为研究人员构建了一个标准化的测试平台。在红外图像质量提升任务中，该数据集能够有效评估不同算法在复杂退化场景下的恢复能力，特别是在处理复合型退化问题时展现出独特价值。

解决学术问题

HM-TIR数据集有效解决了红外视觉研究中图像质量退化的关键学术难题。通过系统性地构建多种退化类型的红外图像样本，该数据集为红外图像增强算法提供了统一的评估基准。在学术层面，它促进了红外图像处理领域从单一退化处理向复合退化处理的范式转变，推动了基于深度学习的红外图像增强方法的发展，为红外视觉在恶劣环境下的可靠应用奠定了理论基础。

衍生相关工作

基于HM-TIR数据集，研究社区已衍生出多项具有影响力的工作。渐进提示融合网络（PPFN）作为该数据集的代表性成果，通过多阶段特征融合机制实现了对复合退化红外图像的有效增强。此外，该数据集还催生了针对特定退化类型的专用处理方法，如基于深度学习的去模糊、对比度增强和噪声抑制算法。这些工作共同推动了红外图像处理技术向更精细化、自适应化的方向发展。