SIED dataset

我们的SIED数据集可通过OneDrive和百度云下载（提取码：4fyb）。请参阅data文件夹中的txt文件以获取训练集和评估集的分割信息。

Our SIED dataset is available for download via OneDrive and Baidu Cloud (extraction code: 4fyb). Please refer to the txt file in the data folder for the split information of the training and evaluation sets.

原始信息汇总

SIED数据集概述

基本信息

• 论文标题: Learning to See in the Extremely Dark
• 会议: ICCV 2025
• 论文链接: https://arxiv.org/pdf/2506.21132
• 作者单位:
  • 四川大学
  • 电子科技大学
  • 上海交通大学
  • 国家超高清视频技术创新中心

数据集下载

• SIED数据集:
  • OneDrive: 链接未提供
  • 百度云: https://pan.baidu.com/s/1FnfOe1tY9kfMSoidjHM1Nw (提取码:4fyb)
• 训练集与评估集划分: 参见data文件夹中的txt文件

预训练模型

• 下载链接:
  • OneDrive: 链接未提供
  • 百度云: 链接未提供

使用方法

• 训练:
  • 修改datasets/dataset.py以适应环境
  • 运行python train.py
• 测试: 运行python evaluate.py

依赖安装

bash pip install -r requirements.txt

致谢

部分代码基于以下工作:

• WeatherDiff: https://github.com/IGITUGraz/WeatherDiffusion
• MIMO-UNet: https://github.com/chosj95/MIMO-UNet

搜集汇总

数据集介绍

构建方式

在极暗视觉研究领域，SIED数据集通过精心设计的合成流程构建而成。研究团队采用多机构协作模式，整合了来自不同场景的极低光照条件下的原始数据，通过标准化的数据采集与标注流程确保数据质量。数据集构建过程中特别注重模拟真实世界极端暗光环境，采用专业设备捕捉原始图像，并辅以后期处理技术增强数据多样性。

特点

该数据集在极暗视觉任务中展现出显著优势，其核心特点在于覆盖了广泛的暗光场景和复杂光照条件。数据集包含高分辨率的原始图像及对应标注，特别针对低光条件下的细节保留和噪声抑制进行了优化。与其他同类数据集相比，SIED在场景多样性和极端暗光条件下的数据质量方面具有明显优势，为算法性能评估提供了可靠基准。

使用方法

研究者可通过提供的下载链接获取完整数据集，压缩包内包含训练集和验证集的明确划分。使用前需配置Python环境并安装指定依赖库，按照文档说明调整数据集路径参数。数据集支持端到端的模型训练与评估流程，用户可参照提供的脚本快速开展实验，同时预训练模型的获取进一步降低了研究门槛。

背景与挑战

背景概述

SIED数据集由四川大学、电子科技大学、上海交通大学及国家超高清视频技术创新中心的研究团队联合开发，于2025年ICCV会议上首次发布，聚焦于极端低光环境下的计算机视觉任务。该数据集旨在解决低光图像增强与恢复这一核心研究问题，通过合成真实场景中的极端暗光条件，为低光视觉算法的发展提供了关键基准。其多机构合作的背景和创新的数据合成方法，显著推动了低光视觉领域的研究进展，并为相关算法的性能评估提供了标准化平台。

当前挑战

SIED数据集面临的挑战主要体现在两个方面：在领域问题层面，极端暗光条件下图像信噪比极低、细节丢失严重，传统增强方法难以平衡噪声抑制与细节保留的矛盾；在构建过程中，合成数据需模拟真实暗光物理特性，涉及复杂的光学建模与噪声分布拟合，同时保证数据多样性与真实性的平衡尤为困难。此外，评估低光增强算法的客观指标设计也面临人类视觉感知与数值指标不一致的挑战。

常用场景

经典使用场景

在计算机视觉领域，极低光照条件下的图像增强一直是一个极具挑战性的研究方向。SIED数据集通过精心构建的合成流程，为研究者提供了大量极暗环境下的图像数据及其对应的标准光照版本。这一数据集最经典的使用场景是训练和评估深度学习模型在极端暗光条件下的图像恢复能力。研究者可以利用该数据集开发新型的神经网络架构，探索如何从噪声严重、细节丢失的暗光图像中恢复出清晰的视觉信息。

衍生相关工作

围绕SIED数据集已经衍生出多项重要研究工作。部分学者基于该数据集提出了新型的注意力机制网络，专门针对暗光图像的特征提取进行优化；另一些研究则探索了生成对抗网络在该数据集上的应用，试图通过对抗训练获得更自然的图像增强效果。数据集还启发了对极低光照条件下图像退化物理模型的深入研究，为计算摄影学提供了新的理论见解。这些工作共同推动了暗光图像处理技术的边界。

数据集最近研究

最新研究方向

在计算机视觉领域，极低光照条件下的图像增强技术一直是研究热点。SIED数据集作为ICCV 2025最新研究成果的支撑数据，聚焦于极端暗光环境下的视觉感知问题。该数据集通过创新的合成流程，为基于深度学习的低光照图像增强算法提供了高质量的基准测试平台。近期研究主要探索如何结合扩散模型与多尺度网络架构，在保留图像细节的同时实现噪声抑制和动态范围扩展。这一方向与夜视监控、自动驾驶感知系统等实际应用紧密关联，为解决极端光照条件下的计算机视觉任务提供了新的研究范式。