RESIDE

该数据集名为RESIDE，包含五个子集：室内训练集（ITS）、室外训练集（OTS）、合成对象测试集（SOTS）、未标注真实雾天图像集（URHI）以及真实任务驱动测试集（RTTS）。这些数据集被用于训练（OTS、URHI）和评估（SOTS、RTTS）。该数据集的主要任务是单幅图像去雾。

The dataset named RESIDE includes five subsets: Indoor Training Set (ITS), Outdoor Training Set (OTS), Synthetic Object Test Set (SOTS), Unlabeled Real Hazy Image Set (URHI), and Real Task-Driven Test Set (RTTS). These subsets are utilized for training (OTS, URHI) and evaluation (SOTS, RTTS). The core task of this dataset is single-image dehazing.

搜集汇总

数据集介绍

构建方式

在单幅图像去雾领域，构建高质量数据集面临真实雾霾图像与无雾参考图像难以同时获取的挑战。RESIDE数据集通过合成方法构建，其训练集利用NYU2深度数据库和Middlebury立体数据库中的室内清晰图像，结合大气散射模型生成合成雾霾图像。具体而言，为每幅清晰图像生成多幅雾霾图像，通过随机选择大气光参数A在[0.7, 1.0]范围内、散射系数β在[0.6, 1.8]范围内，模拟不同雾霾浓度和光照条件。测试集则分为合成客观测试集（SOTS）和混合主观测试集（HSTS），前者包含500幅室内合成雾霾图像，后者融合10幅合成室外图像和10幅真实雾霾图像，以支持多样化的评估视角。

使用方法

RESIDE数据集为单幅图像去雾算法的训练、评估与比较提供了系统化平台。研究者可利用其大规模合成训练集（ITS或OTS）训练数据驱动的去雾模型。在评估阶段，SOTS子集适用于在全参考指标下客观比较算法性能；HSTS子集则支持结合主观评分与无参考指标的综合评估，尤其适用于真实雾霾图像。对于探索去雾在机器视觉中的应用价值，RTTS子集允许研究者将去雾算法作为预处理步骤，通过测量目标检测等下游任务的性能提升（如mAP指标）来间接评估去雾效果。这种多层次、多角度的使用方法，旨在推动去雾研究从单纯的信号保真度优化，向服务于人类视觉感知和高级视觉任务的实际需求迈进。

背景与挑战

背景概述

在计算机视觉领域，单幅图像去雾技术旨在恢复因大气中悬浮颗粒（如雾、霾）导致的图像退化，提升视觉质量并服务于自动驾驶、视频监控等高级视觉任务。RESIDE（真实单幅图像去雾）数据集由Boyi Li、Wenqi Ren等研究人员于2015年提出，作为首个大规模、系统性的去雾基准数据集，其核心研究问题在于解决现有去雾算法评估中缺乏统一、多样化标准以及训练数据与真实场景不匹配的困境。该数据集通过整合合成与真实雾图，并引入从全参考指标到任务驱动评估的多维度评价体系，显著推动了去雾算法的标准化比较与实用化发展，成为该领域的重要里程碑。

当前挑战

RESIDE数据集所应对的领域挑战在于单幅图像去雾问题的复杂性：雾霾的物理模型参数（如大气光与透射率）难以从单幅图像中准确估计，且算法需在去除雾霾的同时避免引入视觉伪影或丢失细节。构建过程中的挑战则体现在数据收集与生成上：真实雾图与其无雾地面真值难以同时获取，导致训练数据依赖合成图像，而合成雾图与真实场景的内容差异（如室内与室外环境）可能削弱模型的泛化能力。此外，数据集的评估需兼顾人类主观感知与机器视觉任务性能，这要求设计多维度的评价指标，如无参考质量评估与目标检测驱动指标，以全面衡量去雾效果。

常用场景

经典使用场景

在计算机视觉领域，图像去雾技术旨在恢复因大气散射而退化的图像质量。RESIDE数据集作为大规模去雾基准，其经典使用场景在于为单幅图像去雾算法的训练与评估提供标准化平台。该数据集通过合成与真实雾霾图像的结合，覆盖室内外多样场景，支持从传统全参考指标到无参考指标、主观评价乃至任务驱动评估的多维度分析，为算法性能的横向对比奠定了坚实基础。

解决学术问题

RESIDE数据集有效解决了单幅图像去雾研究中长期存在的若干学术问题。首先，它填补了大规模公开基准数据的空白，缓解了因训练数据稀缺导致的数据驱动模型泛化能力不足的困境。其次，数据集引入的多重评估策略，如无参考指标与主观评分，突破了传统PSNR/SSIM在反映人类感知质量方面的局限性。此外，其任务驱动评估集首次将去雾效果与高层视觉任务（如目标检测）性能关联，推动了去雾技术从单纯图像恢复向实用机器视觉系统的演进。

实际应用

RESIDE数据集的实际应用场景广泛涉及自动驾驶、视频监控等户外视觉系统。在自动驾驶领域，雾霾天气常导致车载摄像头视野模糊，进而影响障碍物检测与路径规划。通过使用RESIDE训练的去雾模型作为预处理模块，可显著提升图像清晰度，增强后续视觉算法的鲁棒性。此外，该数据集支持的真实场景评估有助于优化模型在复杂环境中的适应性，为智能交通、环境监测等应用提供可靠的技术支撑。

数据集最近研究

最新研究方向

在计算机视觉领域，单幅图像去雾技术正逐步从传统的图像恢复任务向更广泛的应用场景拓展。RESIDE数据集作为该领域的基准，推动了研究从单纯追求峰值信噪比和结构相似性指标，转向更注重人类主观感知质量与高层视觉任务性能的评估。前沿研究聚焦于开发端到端的深度学习模型，如AOD-Net和MSCNN，这些模型在合成图像上表现出色，但在真实雾霾图像的泛化能力方面仍面临挑战。同时，研究热点包括将去雾作为预处理步骤，以提升自动驾驶和视频监控等实际应用中的目标检测性能。此外，探索无参考质量评估指标与人类感知的相关性，以及利用领域自适应技术缩小合成与真实雾霾图像之间的域差距，成为当前的重要方向。这些进展不仅深化了对去雾算法本质的理解，也为构建更鲁棒的户外视觉系统奠定了基础。

相关研究论文

• Benchmarking Single Image Dehazing and Beyond

  中国科学院信息工程研究所 · 2019年