See-in-the-Extremely-Dark (SIED)

See-in-the-Extremely-Dark (SIED)数据集是为了解决极低光照环境下RAW图像增强的问题而创建的。数据集由三个精确的亮度级别（0.01-0.1 lux，0.001-0.01 lux，0.0001-0.001 lux）的极低光照RAW图像和高品质的sRGB参考图像组成。该数据集的创建过程包括在专业光学实验室中收集合格的低光照RAW图像，并通过调整相机参数捕获配对的低光照和正常光照图像。数据集还通过添加校准的噪声模型来模拟现实中的黑暗环境。SIED数据集为极低光照RAW图像增强方法提供了基准，并推动了低光照图像增强领域的发展。The See-in-the-Extremely-Dark (SIED) dataset was created to address the problem of RAW image enhancement in extremely low-light environments. The dataset consists of low-light RAW images and high-quality sRGB reference images across three precise brightness levels: 0.01–0.1 lux, 0.001–0.01 lux, and 0.0001–0.001 lux. The dataset creation process involved collecting qualified low-light RAW images in a professional optical laboratory, and capturing paired low-light and normal-light images by adjusting camera parameters. It also simulates real-world dark environments by adding calibrated noise models. The SIED dataset provides a benchmark for extremely low-light RAW image enhancement methods, and promotes the development of the low-light image enhancement field.

原始信息汇总

SIED数据集概述

基本信息

• 数据集名称：SIED (Learning to See in the Extremely Dark)
• 相关论文：Learning to See in the Extremely Dark
• 作者单位：四川大学、电子科技大学、上海交通大学、超高清视频技术国家创新中心

数据集内容

• 数据集状态：原始训练和评估数据集即将发布 (Coming soon!)
• 包含子数据集：
  • SIED数据集
  • SID数据集

相关资源

• 预训练模型：
  • 可通过Google Drive和百度云下载（提取码未提供）

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

可视化结果

• 包含Canon和Sony设备的视觉对比图

致谢

• 部分代码基于以下工作：
  • WeatherDiff
  • MIMO-UNet

搜集汇总

数据集介绍

构建方式

在极暗光条件下进行图像增强的研究长期受限于缺乏精确校准的数据集。为此，SIED数据集通过专业光学实验室采集了三个精确照度范围（0.01-0.1 lux、0.001-0.01 lux和0.0001-0.001 lux）的低光RAW图像，并采用配对合成策略构建大规模数据集。该流程包含三个关键步骤：实验室标准数据采集、真实场景配对图像获取，以及基于照度对齐和噪声校准的合成处理，最终形成包含1680组配对样本的数据集。

特点

SIED数据集的核心价值体现在其精确的照度分级和真实的噪声模拟。通过专业实验室的光照控制和工业级照度计测量，数据集实现了0.0001 lux级别的极端暗光环境模拟。区别于现有数据集的粗粒度照度标注，SIED采用YUV空间的直方图匹配技术确保照度校准精度（KL散度<0.06）。同时整合高斯-泊松-暗帧的复合噪声模型，在ISO 20000-40000范围内还原真实传感器的噪声特性，为极低信噪比条件下的算法研究提供可靠基准。

使用方法

该数据集支持端到端的低光RAW图像增强研究，建议采用多阶段训练策略。首先利用实验室标准数据建立基础噪声模型，随后在真实场景配对数据上进行微调。针对不同照度子集（0.01/0.001/0.0001 lux），应独立评估算法性能以避免照度偏差。数据使用时可结合论文提出的扩散框架：将RAW输入经自适应照度校正模块（AICM）处理后再进行扩散重建，通过色彩一致性损失优化颜色映射。评估指标推荐PSNR、SSIM与LPIPS的组合，全面衡量重建质量。

背景与挑战

背景概述

See-in-the-Extremely-Dark (SIED) 数据集由四川大学、电子科技大学等机构的研究团队于2025年提出，旨在解决极低光照条件下（最低至0.0001 lux）RAW图像增强的难题。该数据集通过专业光学实验室校准的合成管道，生成了三个精确照度范围（0.01-0.1 lux、0.001-0.01 lux、0.0001-0.001 lux）的配对低光RAW图像与高质量sRGB参考图像，填补了极端暗光场景数据集的空白。其创新性的paired-to-paired合成策略结合了实验室标准数据采集与真实场景适配技术，为计算机视觉领域的夜间摄影、监控等应用提供了关键基准。

当前挑战

SIED数据集面临的挑战主要体现在两方面：领域问题层面，现有低光增强方法在极端暗光下存在信噪比极低、色彩映射失准、细节丢失等难题，传统基于长曝光参考的采集方式在0.0001 lux环境下完全失效；数据构建层面，需突破实验室环境与真实场景的光照对齐技术，解决多噪声模型（高斯-泊松-暗帧混合）的精确校准问题，并通过YUV空间直方图匹配确保合成数据的物理真实性。该数据集首次实现了对光子计数级暗光环境的系统性建模，推动了RAW域图像增强算法的极限探索。

常用场景

经典使用场景

SIED数据集在极低光照条件下的RAW图像增强研究中具有重要应用价值。该数据集通过精确校准的0.0001-0.1 lux三个光照区间，为深度学习模型提供了标准化的训练基准。在计算机视觉领域，研究人员利用该数据集开发新型扩散模型，解决极暗环境下图像信噪比极低、噪声干扰严重等核心问题。数据集中包含的配对RAW-sRGB样本，为端到端图像增强算法提供了从传感器原始数据到高质量视觉输出的完整映射关系。

解决学术问题

SIED数据集有效解决了极低光照图像增强领域的多个关键学术问题。首先，它填补了现有数据集在0.0001 lux超暗环境下的数据空白，使研究者能够系统探索光子极限条件下的图像重建规律。其次，通过实验室级的光照校准和噪声建模，该数据集为研究传感器噪声分布与光照强度的非线性关系提供了可靠基准。最重要的是，其提出的自适应光照校正模块（AICM）和色彩一致性损失函数，为解决曝光偏差和色彩失真这两个长期存在的技术难题提供了新思路。

衍生相关工作

SIED数据集已衍生出多个具有影响力的研究方向。在算法层面，基于其提出的扩散模型框架催生了RAWMamba等新型架构，将Transformer引入RAW域处理；在数据集建设方面，启发了后续研究者构建面向动态场景的极暗光视频数据集。该工作还被拓展至计算摄影领域，其噪声建模方法被改进应用于手机夜景模式算法。值得注意的是，数据集提出的光照直方图匹配策略，已成为当前低光图像合成领域的主流校准方法之一。