RealBokeh

RealBokeh是一个包含23000张高分辨率（2400万像素）图像的数据集，由专业摄影师使用高端设备拍摄，涵盖了不同的场景和光圈、焦距设置。该数据集是首个捕捉真实镜头光圈和焦距变化产生的Bokeh效果的研究，提供了高质量的、多样化的样本对，适用于Bokeh渲染研究的深度学习时代。

RealBokeh is a dataset containing 23,000 high-resolution (24-megapixel) images captured by professional photographers using high-end equipment, covering diverse scenarios, aperture and focal length settings. This dataset represents the first research resource to capture the bokeh effects induced by variations in real lens aperture and focal length, providing high-quality and diverse sample pairs tailored for deep learning-based bokeh rendering research.

搜集汇总

数据集介绍

构建方式

RealBokeh数据集的构建采用了专业摄影设备和高精度拍摄流程。数据集包含23,000张高分辨率（24兆像素）图像，由专业摄影师在多种场景下使用Canon Eos R6 II相机系统搭配28-70mm f/2.0镜头拍摄。为确保图像对齐，拍摄过程中使用了三脚架、电子快门和远程触发技术，每对图像均经过手动检查以排除对齐误差。此外，数据集首次涵盖了不同光圈（f/2.0至f/22.0）和焦距（28mm至70mm）的设置，提供了丰富的Bokeh效果变化。

使用方法

RealBokeh数据集可用于训练和评估Bokeh渲染模型，尤其适用于需要控制光圈强度的深度学习算法。研究人员可以通过该数据集训练端到端的Bokeh渲染网络，如Bokehlicious，该网络通过Aperture-Aware Attention机制实现了对Bokeh强度的直观控制。此外，数据集还可用于Bokeh渲染的基准测试，评估模型在不同光圈和焦距设置下的性能。数据集的多样性使其在零样本泛化和相关任务（如散焦去模糊）中也表现出色，为计算摄影领域的研究提供了重要支持。

背景与挑战

背景概述

RealBokeh数据集由德国维尔茨堡大学计算机视觉实验室的Tim Seizinger、Florin-Alexandru Vasluianu、Marcos V. Conde和Radu Timofte等研究人员于2025年提出，旨在解决摄影中背景虚化（Bokeh）效果的生成问题。Bokeh效果是专业摄影中常用的美学元素，能够通过模糊背景突出主体，但现有的方法通常依赖于合成数据或额外的深度图输入，导致效果不够真实。RealBokeh数据集包含23,000张高分辨率（24兆像素）图像，涵盖了多种场景和光圈设置，首次提供了真实镜头在不同光圈和焦距下的Bokeh效果数据。该数据集的发布为Bokeh渲染领域的研究提供了高质量的训练和评估基准，推动了基于深度学习的Bokeh生成技术的发展。

当前挑战

RealBokeh数据集面临的挑战主要体现在两个方面。首先，在Bokeh渲染领域，现有的方法通常依赖于合成数据或额外的深度图输入，导致生成的Bokeh效果不够真实，尤其是在复杂场景中难以保持前景细节（如头发）的清晰度。其次，在数据集构建过程中，确保图像对的高质量对齐和多样性是一个重大挑战。尽管RealBokeh通过专业摄影设备和自动化拍摄流程解决了部分问题，但仍需克服动态环境下的对齐误差和复杂光照条件下的数据采集难题。此外，如何在不增加计算复杂度的情况下实现光圈强度的可控调节，也是该领域亟待解决的关键问题。

常用场景

经典使用场景

RealBokeh数据集在计算机视觉领域的主要应用场景是用于训练和评估Bokeh渲染模型。Bokeh效果是专业摄影中的关键美学元素，能够通过模糊背景来突出主体，增强图像的视觉吸引力。RealBokeh数据集提供了23,000张高分辨率图像，涵盖了多种光圈和焦距设置，使得研究人员能够在真实场景中训练模型，生成具有可控强度的Bokeh效果。该数据集特别适用于研究如何在不需要深度图或其他辅助输入的情况下，生成高度逼真的Bokeh效果。

解决学术问题

RealBokeh数据集解决了Bokeh渲染领域中的几个关键学术问题。首先，它填补了高质量真实世界数据的空白，避免了现有方法依赖合成数据导致的Bokeh效果不真实的问题。其次，该数据集首次捕捉了不同光圈和焦距下的Bokeh效果，使得研究人员能够训练出具有可控强度的Bokeh渲染模型。此外，RealBokeh数据集的高分辨率和多样性使得模型能够在复杂场景中保持前景细节，如头发等，同时生成逼真的Bokeh效果。这些特性显著提升了Bokeh渲染模型的性能和泛化能力。

实际应用

RealBokeh数据集的实际应用场景广泛，尤其是在智能手机摄影和计算摄影领域。随着智能手机摄像头的普及，用户对生成专业级Bokeh效果的需求日益增加。RealBokeh数据集可以用于训练智能手机摄像头中的Bokeh渲染算法，帮助用户在拍摄时自动生成逼真的背景虚化效果。此外，该数据集还可用于图像编辑软件中，允许用户在后处理阶段调整Bokeh的强度，进一步提升图像的视觉质量。这些应用不仅提升了用户体验，还推动了计算摄影技术的发展。

数据集最近研究

最新研究方向

在计算摄影领域，Bokeh效果的生成一直是研究热点，尤其是在智能手机摄影中，如何通过算法模拟专业相机的浅景深效果备受关注。近期，RealBokeh数据集的提出为这一领域带来了新的突破。该数据集包含23,000张高分辨率图像，涵盖了多种光圈和焦距设置，为Bokeh渲染模型的训练和评估提供了丰富的真实世界数据。基于此数据集，研究者提出了Bokehlicious架构，通过引入光圈感知注意力机制（Aperture-Aware Attention），实现了对Bokeh强度的直观控制，且无需依赖深度图等辅助输入。这一方法不仅在现有Bokeh渲染基准测试中表现优异，还在零样本泛化和去模糊任务中展现了强大的适应性。RealBokeh数据集的发布和Bokehlicious架构的提出，为Bokeh渲染领域的研究提供了新的工具和方向，推动了计算摄影技术的进一步发展。

相关研究论文

• Bokehlicious: Photorealistic Bokeh Rendering with Controllable Apertures

  德国维尔茨堡大学计算机视觉实验室 · 2025年