Foggy Cityscapes

Foggy Cityscapes数据集由南加州大学创建，用于评估图像去雾方法的性能，特别是对自动驾驶场景中物体检测和分割的影响。数据集包含在雾天条件下拍摄的城市景观图像，旨在帮助研究人员测试和比较各种去雾技术，包括传统滤波器、现代去雾网络、链式变体和视觉语言模型（VLM）图像编辑方法。数据集的应用领域包括自动驾驶感知系统，旨在解决在雾天条件下图像对比度降低和细节模糊的问题，从而提高自动驾驶系统的安全性。The Foggy Cityscapes dataset was developed by the University of Southern California to evaluate the performance of image dehazing methods, particularly their impacts on object detection and segmentation in autonomous driving scenarios. It includes urban landscape images captured under foggy conditions, aiming to assist researchers in testing and comparing various dehazing techniques, including traditional filters, modern dehazing networks, chain-based variants, and vision-language model (VLM) image editing approaches. This dataset is designed for autonomous driving perception systems, with the goal of addressing issues such as reduced image contrast and blurred details under foggy conditions, thereby enhancing the safety of autonomous driving systems.

搜集汇总

数据集介绍

构建方式

Foggy Cityscapes数据集基于Cityscapes真实驾驶场景，通过物理大气散射模型合成不同浓度的雾效图像。该构建过程采用精确的β参数控制雾密度，生成与清晰图像配对的雾化样本，涵盖近、中、远距离的多样化道路场景。数据标注继承自Cityscapes的精细语义分割与实例标注体系，并通过转换工具适配COCO格式的边界框标注，为自动驾驶感知任务提供结构化基准。

特点

该数据集以中等雾浓度（β=0.01）为核心实验场景，平衡了视觉退化程度与任务挑战性。其独特价值在于同步提供图像质量评估与下游任务性能指标，包括目标检测的mAP与全景分割的PQ/RQ/SQ度量。数据集深度关联合成雾效与真实物理特性，通过链式处理流水线（滤波器→模型、模型→滤波器）揭示预处理方法对感知性能的复杂影响，为域适应研究提供关键桥梁。

使用方法

研究采用固定检测器（YOLOv11l）与分割模型（Mask2Former）的评估框架，通过替换前置去雾流水线实现端到端性能对比。典型流程包括：直接应用传统滤波器（DCP、CLAHE）、深度学习去雾模型（DehazeFormer）、混合链式处理及视觉语言模型编辑。评估阶段结合定量指标（mAP、PQ）与定性VLM评分，通过相关性分析验证感知质量与任务性能的协同演化规律。

背景与挑战

背景概述

Foggy Cityscapes数据集由南加州大学研究团队于2018年构建，旨在解决自动驾驶系统在雾天环境下的感知退化问题。该数据集基于Cityscapes真实驾驶场景，通过物理模型合成不同浓度的雾效，模拟光线散射导致的对比度下降和细节模糊现象。其核心研究聚焦于评估图像去雾方法对下游任务（如目标检测与分割）的性能影响，填补了合成数据与真实场景间的验证空白，显著推动了恶劣天气条件下计算机视觉研究的实用化进程。

当前挑战

该数据集主要面临双重挑战：在领域问题层面，雾效导致图像低对比度与细节丢失，传统去雾方法虽提升视觉质量，却难以保证下游检测与分割精度的同步改善；在构建过程中，合成雾效与真实雾气的物理特性存在差异，使得基于合成数据训练的模型泛化能力受限，同时高分辨率驾驶场景的标注一致性、多模态数据对齐等问题进一步增加了数据集构建的复杂性。

常用场景

经典使用场景

在自动驾驶感知系统研究中，Foggy Cityscapes数据集被广泛用于评估雾霾天气下图像去雾方法的有效性。该数据集通过模拟不同密度的合成雾霾，为研究者提供了标准化的测试环境，使得各类去雾算法能够在统一的基准下进行比较分析。特别是在目标检测和语义分割任务中，该数据集能够有效验证去雾处理对下游视觉任务性能的实际提升程度。

实际应用

在现实应用中，Foggy Cityscapes数据集为自动驾驶系统的环境感知模块开发提供了重要支撑。汽车制造商和科技公司利用该数据集训练和验证在雾霾天气下仍能保持可靠性能的视觉算法。通过模拟不同能见度条件下的驾驶场景，该数据集助力开发出在恶劣天气中也能准确识别行人、车辆和交通标志的鲁棒感知系统。

衍生相关工作

基于Foggy Cityscapes数据集，研究者们开发了多种创新性工作。从传统的暗通道先验方法到基于深度学习的DehazeNet和AOD-Net，再到结合视觉语言模型的提示工程去雾方法，这些研究不断推动着去雾技术的发展。特别是链式处理管道的提出，揭示了滤波器与深度学习模型组合使用时的协同效应，为复杂天气条件下的感知系统优化提供了新的技术路径。