Foggy Low-Light Puddle

Foggy Low-Light Puddle数据集是由中山大学智能系统工程学院的广东省智能交通系统重点实验室开发的，旨在模拟真实恶劣天气条件下的道路水坑情况，包含低光照、浓雾和多形态的水坑。该数据集用于评估ABCDWaveNet在雾天条件下水坑检测的性能。

The Foggy Low-Light Puddle dataset was developed by the Guangdong Provincial Key Laboratory of Intelligent Transportation Systems at the School of Intelligent Systems Engineering, Sun Yat-sen University, aiming to simulate road puddle conditions under real-world adverse weather conditions, including low light, thick fog, and multi-form puddles. This dataset is designed to evaluate the performance of ABCDWaveNet in detecting puddles under foggy conditions.

搜集汇总

数据集介绍

构建方式

Foggy Low-Light Puddle数据集的构建基于夜间低光照条件下采集的道路积水图像，结合Monodepth2算法生成深度图，并通过大气散射模型模拟雾效。该数据集通过精确的深度信息调整雾密度，确保近景细节保留而远景雾效自然，从而在低光照和雾效的双重挑战下提供真实场景的测试基准。数据集包含500张图像，覆盖城市、郊区和校园道路等多种环境，为复杂天气条件下的道路积水检测研究提供了重要资源。

特点

Foggy Low-Light Puddle数据集的特点在于其同时模拟了低光照和雾效的复杂场景，填补了现有数据集中恶劣天气条件下道路积水检测的空白。通过深度图引导的雾效生成，数据集在视觉真实性和多样性上表现优异，能够有效支持算法在低对比度、模糊边界等挑战性场景下的性能评估。此外，数据集涵盖不同积水形态和道路类型，为模型的泛化能力测试提供了丰富样本。

使用方法

该数据集适用于评估道路积水检测算法在恶劣天气条件下的鲁棒性。使用时需将图像统一缩放至256×256分辨率，并进行像素值归一化处理。建议结合IoU、F1 Score等指标量化算法性能，重点关注模型在雾效干扰下的边界识别能力。数据集的深度图信息可用于算法优化，例如通过雾密度与距离的关联性提升特征提取效果。此外，可与Puddle-1000等晴朗天气数据集进行跨条件对比实验，验证算法的环境适应性。

背景与挑战

背景概述

Foggy Low-Light Puddle数据集由广东智能交通系统重点实验室、中山大学智能系统工程学院的张荣辉等人于2025年提出，旨在解决雾天低光照条件下道路积水检测的难题。该数据集是首个专注于复合恶劣天气场景（雾霾与低光照）下道路积水识别的基准数据集，填补了传统数据集在复杂气象条件下性能评估的空白。研究团队通过融合大气散射模型与单目深度估计技术，在Night-Puddle数据集基础上构建了具有物理真实性的雾效合成数据，为高级驾驶辅助系统（ADAS）在极端环境下的可靠性验证提供了关键支撑。该数据集的发布显著推动了计算机视觉与交通安全的跨学科研究，被广泛应用于自动驾驶感知算法的鲁棒性优化。

当前挑战

Foggy Low-Light Puddle数据集面临双重技术挑战：在领域问题层面，雾霾导致的对比度衰减与低光照引发的噪声干扰形成耦合效应，传统图像分割算法难以区分积水区域的反射特性与雾粒散射特征；在构建过程中，深度依赖的雾效模拟需平衡物理真实性与数据多样性，而夜间红外图像与可见光数据的模态差异增加了标注一致性难度。具体表现为：1) 雾浓度与光照强度的非线性叠加使积水边缘信噪比下降至0.8dB以下；2) 动态卷积与离散小波变换的协同设计需处理频域特征与空间特征的跨模态对齐；3) 数据采集受限于实际恶劣天气的不可控因素，需开发基于Monodepth2的深度感知雾效增强算法来扩展样本规模。

常用场景

经典使用场景

Foggy Low-Light Puddle数据集专为复杂天气条件下的道路积水检测而设计，其经典使用场景包括在雾天和低光照环境下通过深度学习模型进行高精度的积水区域分割。该数据集通过模拟真实的雾天和夜间道路场景，为算法提供了丰富的视觉挑战，如低对比度、模糊边界和反射干扰，从而成为测试和优化先进驾驶辅助系统（ADAS）中积水检测模块的理想基准。

衍生相关工作

围绕Foggy Low-Light Puddle数据集，已衍生出多项经典研究工作，例如ABCDWaveNet框架通过动态频率-空间协同机制显著提升了雾天积水检测的精度。此外，该数据集还激发了基于小波变换的特征增强方法和多尺度信息融合策略的创新，这些工作进一步推动了恶劣天气下计算机视觉算法的鲁棒性研究。

数据集最近研究

最新研究方向

近年来，Foggy Low-Light Puddle数据集在智能交通系统和计算机视觉领域引起了广泛关注，特别是在复杂天气条件下的道路积水检测方面。该数据集通过结合低光照和雾霾条件，为研究者在恶劣环境下开发鲁棒的检测算法提供了重要支持。最新的研究方向主要集中在深度学习模型的动态频率-空间协同机制上，例如ABCDWaveNet框架，该框架通过动态卷积和小波变换模块显著提升了模型在雾霾干扰下的鲁棒性。此外，多尺度特征融合和自适应注意力耦合门（AACG）的引入，进一步优化了全局与局部特征的整合，从而在Foggy-Puddle、Puddle-1000和Foggy Low-Light Puddle数据集上实现了显著的性能提升。这些进展不仅推动了道路安全技术的进步，也为自动驾驶辅助系统（ADAS）在复杂天气条件下的实际应用提供了有力支持。

相关研究论文

• ABCDWaveNet: Advancing Robust Road Ponding Detection in Fog through Dynamic Frequency-Spatial Synergy

  广东省智能交通系统重点实验室，中山大学智能系统工程学院，广州，510275，中国 · 2025年