VIP-LowLight Dataset, ReNOIR, Raw Image Low-Light Object Dataset, Learning to See in the Dark, ExDARK, MIT FiveK dataset, LRAICE-Dataset, DPED dataset, The 500px Dataset, Image Inpainting, Smartphone Image Denoising Dataset, Darmstadt Noise Dataset, PolyU Dataset, RENOIR Dataset, Holistic Dataset

精选的图像处理数据集列表，包括增亮、HDR、颜色增强和图像修复等领域。

A curated list of image processing datasets, covering domains including brightness enhancement, HDR, color enhancement, and image inpainting.

原始信息汇总

数据集概述

亮化（Brightening）

• VIP-LowLight Dataset
  • 描述：八张在极低光条件下拍摄的自然图像，由Audrey Chung提供。
  • 来源：WEB
• ReNOIR
  • 描述：RENOIR - 一个用于真实低光图像噪声减少的数据集。
  • 来源：PDF WEB
• Raw Image Low-Light Object Dataset
  • 描述：由Dan Richards, James Sergeant, Michael Milford, Peter Corke提供。
  • 来源：WEB
• Learning to See in the Dark
  • 描述：学习在黑暗中看到（CVPR2018），由Chen Chen, Qifeng Chen, Jia Xu, Vladlen Koltun提供。
  • 来源：PDF WEB
• ExDARK
  • 描述：使用Exclusively Dark Dataset了解低光图像（提交至CVIU），由Yuen Peng Loh, Chee Seng Chan提供。
  • 来源：PDF

色彩增强（Color-Enhancement）

• MIT FiveK dataset
  • 描述：学习使用输入/输出图像对数据库进行全局色调调整（CVPR2011），由Vladimir Bychkovsky, Sylvain Paris, Eric Chan, Fredo Durand提供。
  • 来源：PDF WEB
• LRAICE-Dataset
  • 描述：一种用于图像色彩增强的学习排名方法（CVPR2014），由Jianzhou Yan, Stephen Lin, Sing Bing Kang, Xiaoou Tang提供。
  • 来源：PDF WEB
• DPED dataset
  • 描述：使用深度卷积网络在移动设备上获得DSLR质量的照片（ICCV2017），由A. Ignatov, N. Kobyshev, K. Vanhoey, R. Timofte, L. Van Gool提供。
  • 来源：PDF WEB
• The 500px Dataset
  • 描述：Exposure: 一个白盒照片后期处理框架（TOG2018），由Yuanming Hu, Hao He, Chenxi Xu, Baoyuan Wang, Stephen Lin提供。
  • 来源：PDF

图像修复（Image-Inpainting）

• Image Inpainting
  • 描述：2018 Chalearn Looking at People Satellite Workshop ECCV。
  • 来源：WEB

图像去噪（Image Denoising）

• Smartphone Image Denoising Dataset
  • 描述：智能手机相机的高质量去噪数据集（CVPR2018），由Abdelrahman Abdelhamed, Stephen Lin, Michael S. Brown提供。
  • 来源：PDF
• Darmstadt Noise Dataset
  • 描述：使用真实照片评估去噪算法（CVPR2017），由Tobias Plötz and Stefan Roth提供。
  • 来源：PDF WEB
• PolyU Dataset
  • 描述：真实世界噪声图像去噪的新基准（Arxiv2017），由Jun Xu, Hui Li, Zhetong Liang, David Zhang, Lei Zhang提供。
  • 来源：PDF WEB
• RENOIR Dataset
  • 描述：用于真实低光图像噪声减少的数据集（Arxiv2014），由J. Anaya, A. Barbu提供。
  • 来源：PDF WEB
• Holistic Dataset
  • 描述：跨通道图像噪声建模的整体方法及其在图像去噪中的应用（CVPR2016），由Seonghyeon Nam, Youngbae Hwang, Yasuyuki Matsushita, Seon Joo Kim提供。
  • 来源：PDF WEB

超分辨率和上采样（Super-Resolution and Up-Sampling）

• Train91
  • 描述：通过稀疏表示进行图像超分辨率（TIP2010），由Jianchao Yang, John Wright, Thomas Huang, Yi Ma提供。
  • 来源：PDF WEB
• Set5
  • 描述：基于锚定邻域回归的快速示例基超分辨率（ICCV2013），由Radu Timofte, Vincent De Smet, Luc Van Gool提供。
  • 来源：PDF WEB
• Set14
  • 描述：使用稀疏表示的单图像尺度扩展（国际曲线和表面会议2010），由Zeyde, Roman, Elad, Michael, Protter, Matan提供。
  • 来源：PDF
• B100
  • 描述：轮廓检测和分层图像分割（TPAMI2011），由P. Arbelaez, M. Maire, C. Fowlkes, J. Malik提供。
  • 来源：PDF WEB
• Urban100
  • 描述：从变换的自示例中进行单图像超分辨率（CVPR2015），由Jia-Bin Huang, Abhishek Singh, Narendra Ahuja提供。
  • 来源：PDF WEB
• DIV2K
  • 描述：NTIRE 2017挑战赛中的单图像超分辨率：数据集和研究（CVPRW2017），由Eirikur Agustsson, Radu Timofte提供。
  • 来源：PDF WEB
• LIVE
  • 描述：对最近全参考图像质量评估算法的统计评估（TIP2006），由H.R. Sheikh, M.F. Sabir, A.C. Bovik提供。
  • 来源：PDF WEB
• Super-Resolution Erlangen (SupER)
  • 描述：在真实数据上评估超分辨率算法的基准（Arxiv2017），由Thomas Köhler, Michel Bätz, Farzad Naderi, André Kaup, Andreas Maier, Christian Riess提供。
  • 来源：PDF WEB

去雾（Dehazing）

• Waterloo IVC Dehazed Image Database
  • 描述：单图像去雾算法的感知评估（ICIP15），由Kede Ma, Wentao Liu, Zhou Wang提供。
  • 来源：PDF WEB
• FRIDA dataset
  • 来源：WEB
• D-hazy
  • 描述：D-HAZY_ICIP2016。
  • 来源：PDF WEB
• CHIC
  • 描述：用于雾霾模型和去雾方法评估的彩色图像数据库。
  • 来源：PDF
• HazeRD
  • 描述：HazeRD: 一个用于去雾算法评估的户外数据集。
  • 来源：PDF
• I-HAZE
  • 描述：一个包含真实雾霾和无雾霾户外图像的去雾基准。
  • 来源：PDF
• O-HAZE
  • 描述：一个包含真实雾霾和无雾霾户外图像的去雾基准。
  • 来源：PDF
• RESIDE: A Benchmark for Single Image Dehazing
  • 来源：WEB

去模糊（Deblurring）

• Understanding and evaluating blind deconvolution algorithms (CVPR09)
  • 来源：PDF
• Edge-based blur kernel estimation using patch priors
  • 来源：PDF
• Benchmarking blind deconvolution with a real-world database (ECCV12)
  • 来源：PDF
• A Comparative Study for Single Image Blind Deblurring (CVPR16)
  • 来源：WEB

去雨（De-rain）

• Rain Streak Database
  • 描述：逼真的雨条纹渲染。
  • 来源：PDF WEB
• Single Image Rain Streak Decomposition Using Layer Priors
  • 描述：使用层先验的单图像雨条纹分解。
  • 来源：PDF DATASET
• Rain100L, Rain20L and Rain100H
  • 描述：深度联合雨检测和去除从单个图像。
  • 来源：WEB
• MS-CSC-Rain-Streak-Removal
  • 描述：通过多尺度卷积稀疏编码的视频雨条纹去除。
  • 来源：WEB
• DID-MDN
  • 描述：使用多流密集网络的密度感知单图像去雨。
  • 来源：WEB

雨滴去除（Rain Drop Removal）

• Attentive Generative Adversarial Network for Raindrop Removal from A Single Image (CVPR18)
  • 来源：WEB

搜集汇总

数据集介绍

构建方式

该数据集集合涵盖了多个图像处理领域的数据集，包括低光增强、色彩增强、图像修复、去噪、超分辨率等。这些数据集的构建方式各异，例如VIP-LowLight Dataset通过捕捉极端低光条件下的自然图像，ReNOIR则通过采集真实低光图像并进行噪声分析，Learning to See in the Dark通过长时间曝光和短时间曝光的对比来构建数据集。每个数据集都针对特定的图像处理任务，提供了丰富的图像样本和相应的处理结果，以便研究人员进行算法验证和性能评估。

特点

这些数据集的显著特点在于其多样性和专业性。它们不仅涵盖了从低光到高动态范围（HDR）的广泛光照条件，还包括了从智能手机到专业相机的多种设备采集的图像。此外，数据集中的图像通常包含复杂的噪声模式和真实的视觉缺陷，如色彩失真、模糊和缺失区域，这使得它们非常适合用于开发和测试图像处理算法。每个数据集都提供了详细的文档和基准测试结果，便于研究者进行比较和分析。

使用方法

这些数据集主要用于图像处理算法的开发和评估，包括但不限于低光图像增强、色彩校正、图像去噪和超分辨率等任务。使用这些数据集时，研究者通常会遵循数据集提供的标准协议，进行数据预处理、模型训练和性能测试。例如，对于低光图像增强任务，研究者可以使用VIP-LowLight Dataset来训练和验证其算法在不同光照条件下的表现。此外，这些数据集还支持跨领域的研究，如结合图像修复和去噪技术，以实现更高质量的图像重建。

背景与挑战

背景概述

在图像处理领域，特别是在亮度增强、HDR、色彩增强和图像修复等方向，数据集的构建与应用对于推动算法的发展至关重要。VIP-LowLight Dataset、ReNOIR、Raw Image Low-Light Object Dataset等数据集由北京大学STRUCT Group的Wenjing Wang、Dejia Xu、Qingyang Li和Wenhan Yang等人维护。这些数据集的创建旨在解决低光条件下图像处理的核心问题，如噪声去除、色彩增强和图像修复等。通过提供高质量的图像数据，这些数据集为研究人员提供了宝贵的资源，推动了图像处理技术在实际应用中的进步。

当前挑战

这些数据集在构建过程中面临诸多挑战。首先，低光条件下图像的噪声和色彩失真问题尤为突出，如何准确捕捉和处理这些图像是一个技术难题。其次，数据集的多样性和代表性要求极高，以确保算法在不同场景下的泛化能力。此外，数据集的标注和处理过程需要大量的人力和时间投入，尤其是在处理复杂场景和多变光照条件时。最后，随着深度学习技术的快速发展，如何设计适应性强、性能优越的算法以充分利用这些数据集，也是当前研究的重点和难点。

常用场景

经典使用场景

在图像处理领域，VIP-LowLight Dataset、ReNOIR、Learning to See in the Dark等数据集的经典应用场景主要集中在低光图像增强、噪声去除和色彩增强等方面。这些数据集通过提供在极端低光条件下拍摄的图像，帮助研究人员开发和验证图像增强算法，从而提升图像的可见性和质量。例如，Learning to See in the Dark数据集通过提供RAW格式的低光图像，使得研究者能够探索如何在极低光照条件下恢复图像细节，这对于夜间摄影和监控系统具有重要意义。

衍生相关工作

这些数据集的发布和应用催生了一系列相关的经典工作。例如，Learning to See in the Dark数据集启发了许多关于低光图像处理的深度学习模型，如基于卷积神经网络的图像增强算法。MIT FiveK dataset则推动了自动图像调整和色彩校正领域的研究，产生了许多基于机器学习的图像处理方法。此外，ReNOIR数据集在低光图像噪声建模方面的贡献，也促进了图像去噪和增强技术的进步，为后续的研究提供了坚实的基础。

数据集最近研究

最新研究方向

在图像处理领域，VIP-LowLight Dataset、ReNOIR等数据集的最新研究方向主要集中在低光图像增强、噪声去除以及图像修复等方面。随着深度学习技术的快速发展，研究者们致力于开发更高效的算法，以提升在极端光照条件下的图像质量。例如，Learning to See in the Dark数据集推动了低光环境下图像恢复的研究，而ExDARK数据集则为低光物体检测提供了新的基准。此外，DPED和The 500px Dataset等数据集在色彩增强和图像后处理方面也取得了显著进展，推动了移动设备上高质量图像生成的研究。这些数据集的应用不仅提升了图像处理的实际效果，还为相关领域的算法优化和模型训练提供了宝贵的资源。