Adverse Weather & Low-Light Vision Datasets

一个精心策划、统一的公共数据集索引，用于雾、霾、雨、雪、低光、水下和沙尘暴等恶劣天气条件下的图像恢复和感知研究。该仓库旨在为发现和程序化访问用于图像恢复、增强和恶劣条件下鲁棒感知的数据集提供一个单一、一致的参考。

Carefully curated and unified public dataset index for image restoration and perception research under adverse weather conditions including fog, haze, rain, snow, low-light, underwater and sandstorm scenarios. This repository aims to provide a single, consistent reference for discovering and programmatically accessing datasets dedicated to image restoration, enhancement and robust perception under adverse conditions.

原始信息汇总

数据集概述

基本信息

• 数据集名称：Adverse Weather & Low-Light Vision Datasets
• 存储库地址：https://github.com/Project-Sarvadrushti/Adverse-Weather-and-Low-Light-Vision-Datasets
• 许可证：GPL v3
• 项目状态：已完成 / 已归档

核心内容

该存储库是一个经过整理的、统一的公共数据集索引，专门用于雾、霾、雨、雪、低光照、水下和沙尘暴条件下的图像恢复与感知研究。其核心是一个标准化的CSV文件 datasets.csv，该文件作为主数据集注册表，包含所有数据集的元数据。

数据集分类与数量

存储库共索引了55个数据集，并按以下类别进行组织：

类别	包含数据集示例
Haze / Fog	Foggy Cityscapes, O-HAZY, NH-HAZE, RESIDE-Standard, RESIDE-Beta, HazeSpace2M, Haze1K, RS-Haze, Foggy Zurich, SynthRSF, NTIRE Nighttime Dehazing
Snow	Snow100K, SnowCityScapes, SnowKITTI2012, SRRS, CSD, SITD, NTIRE Desnowing
Rain	Rain100L, Rain1400, Rain Cityscapes, HQ-NightRain, LWDDS, WeatherBench, Raindrop Clarity (2025), URIR-8K (2024)
Low-Light	LOL (v1, v2), SID (Sony, Fuji, Full), ExDark, LLVIP, LoLI-Street, SICE, LIME, DPED, LoL-SRW, HDRT (2024)
Underwater	UIEB, EUVP, MOUD (2025 release), LSUI
Sand / Dust	Sand11K (2025 release), SIRB
Smoke	SmokeBench (surveillance), LSD3K (medical / endoscopic)
Multi-Weather	allweather-TRANSWEATHER, WeatherBench, MCASD
Super-Res	NKUSR8K

数据结构与工具

• 主注册表：datasets.csv 文件，包含 INDEX, NAME, CATEGORY, SIZE, DESCRIPTION, MAIN_LINK 字段。
• Python工具：提供 loaders/registry.py 中的 DatasetRegistry 类，用于以编程方式查询数据集元数据，支持按关键词搜索、按索引或名称检索以及列出所有数据集。

主要用途

该数据集集合支持以下研究：

• 去雾、去雨、去雪、去烟和低光照增强模型的训练与基准测试。
• 跨天气和多领域泛化研究。
• 联合任务，如去雾+低光照或恢复+检测。
• 恶劣环境下的鲁棒感知研究。
• 大气退化下的遥感研究。

重要说明

• 本存储库不托管任何数据集文件，仅提供指向官方数据源的链接索引。
• 使用任何数据集前，用户必须自行核实其官方许可证和引用要求。
• 引用时，应引用原始数据集论文。若整体引用本集合，可参考提供的描述性文本。

搜集汇总

数据集介绍

构建方式

该数据集通过系统化整合与标准化处理，构建了一个涵盖雾霾、雨雪、低光照及水下等多种恶劣天气与低光照条件的视觉数据集索引。其核心机制在于将公开数据集统一映射至规范化的CSV架构，包含索引、名称、类别、规模、描述及官方链接等关键字段，从而实现了跨数据集的元数据一致性。这种构建方式不仅确保了数据源的权威性与可追溯性，还通过轻量级的Python注册表工具，为研究者提供了便捷的程序化访问接口，有效支撑了图像恢复与感知任务的规模化应用。

特点

本数据集以其广泛的覆盖范围与精细的分类体系脱颖而出，囊括了雾霾、雨雪、低光照、水下、沙尘及烟雾等九大类别，并持续纳入如2025年发布的Sand11K等前沿数据资源。其特点在于采用统一的标准化格式进行组织，消除了传统多源数据在结构上的异质性，使得下游算法能够无需针对特定数据集进行适配即可直接调用。此外，数据集索引设计兼顾了可扩展性与易用性，通过关键词搜索、按索引或名称检索等功能，显著提升了研究效率，为跨域泛化与联合任务研究提供了坚实基础。

使用方法

使用该数据集时，研究者可通过Python注册表模块快速查询与获取元数据。例如，利用search方法基于关键词筛选目标数据集，或通过get与get_by_name函数精确检索特定条目的详细信息，包括官方数据链接。数据集索引作为唯一可信源，支持训练与评估去雾、去雨、低光增强等模型，并可应用于跨天气泛化、联合恢复与检测等复杂任务。用户需注意，该仓库本身不存储数据，使用时须遵循原始数据集的许可与引用要求，确保学术合规性。

背景与挑战

背景概述

在计算机视觉领域，恶劣天气与低光照条件下的图像感知与恢复研究，一直是提升视觉系统鲁棒性的核心议题。Adverse Weather & Low-Light Vision Datasets 由 Sarvadrushti 研究团队于2024年发起，旨在构建一个统一、规范化的公开数据集索引，涵盖雾、霾、雨、雪、低光、水下及沙尘暴等多种复杂环境。该数据集集合通过标准化的 CSV 架构，整合了55个跨领域数据集，为图像去雾、去雨、去雪、低光增强及多天气泛化研究提供了系统化的资源支持，显著推动了恶劣环境下视觉模型的训练与评估进程。

当前挑战

该数据集所应对的领域挑战，主要集中于恶劣天气与低光照条件下图像恢复与感知的复杂性。例如，不同天气现象（如雨滴、雾霾、雪片）在图像中呈现的物理退化模式各异，需设计能够泛化至多域环境的模型；同时，低光场景中噪声与色彩失真并存，要求算法在增强亮度的同时保持细节与自然度。在构建过程中，挑战包括如何将异构的原始数据集（如规模、格式、标注标准不一）归一化为统一的元数据架构，并确保索引的时效性，以纳入2024至2025年间发布的最新数据集（如 Raindrop Clarity、URIR-8K），从而维持资源的前沿性与实用性。

常用场景

经典使用场景

在计算机视觉领域，恶劣天气与低光照条件对图像质量构成显著挑战，该数据集通过整合雾霾、雨雪、低光等多种场景的公开数据，为图像恢复与增强研究提供了统一基准。其经典使用场景在于训练和评估去雾、去雨、去雪及低光增强模型，研究者可借助标准化索引快速筛选特定类别数据，推动跨域泛化与联合任务探索，例如在去雾同时进行低光增强，从而提升模型在复杂环境下的鲁棒性。

解决学术问题

该数据集致力于解决图像处理中因环境干扰导致的视觉退化问题，为学术研究提供了系统化的数据支撑。它帮助研究者攻克图像恢复中的域适应难题，促进多天气条件下的泛化能力分析，并支持联合感知任务如恢复与检测的协同优化。通过统一的数据格式与分类体系，该数据集简化了实验流程，加速了恶劣环境下鲁棒视觉算法的创新，对推动自动驾驶、遥感监测等领域的理论进展具有深远意义。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，例如基于Foggy Cityscapes的域适应去雾算法、利用Snow100K的端到端去雪网络，以及结合LOL数据集的低光图像增强模型。这些工作不仅推动了图像恢复技术的进步，还催生了跨天气联合任务框架，如去雨与去雾的协同处理。同时，数据集索引工具促进了标准化评估流程的形成，为后续研究如URIR-8K等新数据集的整合与应用奠定了方法论基础。