RealHQ-HAZE

一个新的数据集，包含200张收集的真实世界雾霾图像，对应的200张精心渲染的无雾图像，以及另外1000张从收集的图像中转换而来的多色雾霾图像。

A new dataset comprising 200 real-world smog images, corresponding 200 meticulously rendered fog-free images, as well as an additional 1000 polychromatic smog images derived from the collected images.

原始信息汇总

PMDN数据集概述

数据集基本信息

• 名称: RealHQ-HAZE
• 类型: 图像去雾数据集
• 许可证: Apache 2.0
• 创建日期: 2025年7月15日

数据集内容

• 真实世界雾霾图像: 200张
• 对应无雾图像: 200张（精心渲染）
• 额外彩色雾霾图像: 1000张（从采集图像转换而来）

数据集特点

• 专注于解决真实世界图像去雾问题
• 提供配对的有雾/无雾图像对
• 包含多样化的雾霾色彩变化

相关技术

• PMDN方法: 多阶段去雾网络，具有先验补偿机制
• MCCD策略: 混合切割一致性去雾策略，增强去雾效果

应用价值

• 为真实世界图像去雾研究提供高质量基准数据
• 支持半监督/无监督去雾方法的开发
• 促进去雾算法的实际应用性能提升

搜集汇总

数据集介绍

构建方式

在图像去雾领域，高质量的真实世界数据集对于推动算法泛化能力至关重要。RealHQ-HAZE数据集通过精心设计的数据采集流程，构建了包含200组真实雾霾图像与人工精确渲染的无雾图像配对样本，同时创新性地采用色彩迁移技术衍生出1000张多色雾霾变体图像。该数据集采用三阶段构建方法：首先通过专业设备捕获真实雾霾场景，随后由视觉专家团队进行逐像素级 haze-free 图像复原，最后基于物理成像模型生成光谱特性各异的增强数据。

特点

作为当前最具代表性的真实世界去雾基准，RealHQ-HAZE展现出三大核心特征：其配对数据覆盖复杂自然场景下的多样化雾霾形态，包括均匀雾、层次雾和局部雾团等；衍生数据集通过色彩空间变换突破了传统合成数据的单一性限制；每幅图像均附带精确的大气散射参数标注。特别值得注意的是，该数据集首次实现了真实捕获图像与物理精确渲染图像在光谱特性上的高度一致性，为模型训练提供了可靠的监督信号。

使用方法

该数据集支持端到端的监督学习与半监督学习范式。研究者可直接加载200组配对数据用于传统有监督训练，或结合1000张衍生图像实施MixCut一致性去雾策略。数据集采用分层存储结构，原始TIFF格式保留完整动态范围，同时提供预处理后的PNG版本。配套的元数据文件详细记录了每幅图像的光照条件、雾浓度等级及色彩空间参数，支持基于物理模型的算法验证。建议使用者结合提供的PMDN网络架构，通过多阶段渐进学习策略充分挖掘数据潜力。

背景与挑战

背景概述

RealHQ-HAZE数据集由西安交通大学的研究团队于2025年推出，旨在解决图像去雾领域的关键问题。该数据集由Yong Liu、Qingji Dong、Chao Zhu、Yu Guo和Fei Wang等学者共同构建，包含200组真实世界雾霾图像及其对应的无雾渲染图像，以及1000张通过色彩转换生成的多样化雾霾图像。作为首个大规模真实世界配对去雾数据集，RealHQ-HAZE突破了传统依赖合成数据的局限，为计算机视觉领域的图像增强研究提供了重要基准。该数据集的发布显著提升了去雾算法在真实场景中的泛化能力，推动了低层视觉任务的发展。

当前挑战

在图像去雾领域，现有方法面临两大核心挑战：一是缺乏真实世界的配对训练数据导致算法泛化性不足，二是传统先验约束在复杂场景中易失效。RealHQ-HAZE构建过程中，研究人员需攻克真实场景雾霾采集的环境控制难题，以及无雾图像精确渲染的技术瓶颈。数据集本身针对的领域挑战包括：雾霾浓度非线性分布建模、多光源条件下的色彩保真度维持，以及动态场景中的细节恢复精度提升。这些挑战反映了真实世界去雾任务中物理模型与数据驱动方法间的本质矛盾。

常用场景

经典使用场景

在计算机视觉领域，图像去雾技术一直是研究热点。RealHQ-HAZE数据集凭借其精心采集的200组真实世界雾霾图像及对应去雾图像，以及1000组衍生彩色雾霾图像，为深度学习模型提供了丰富的训练素材。该数据集最经典的使用场景是训练和评估多阶段去雾网络，如论文中提出的PMDN模型，通过渐进式学习策略捕捉真实雾霾分布特征。

解决学术问题

该数据集有效解决了图像去雾领域长期存在的两大难题：真实世界配对数据匮乏导致的模型泛化能力不足，以及传统方法依赖合成数据造成的域适应偏差。通过提供高质量的真实雾霾-清晰图像对，研究者能够开发更贴近实际场景的去雾算法，突破现有方法在复杂光照和雾霾浓度下的性能瓶颈。

衍生相关工作

围绕RealHQ-HAZE数据集，研究者已开展多项创新工作。除原始论文提出的PMDN网络外，基于其混合切割一致性去雾策略(MCCD)衍生出多尺度特征融合架构，而先验补偿模块(PFCM)的设计思想更被扩展到其他低层视觉任务，形成了一系列改进的图像增强算法。