WildMoiré

Name: WildMoiré
Creator: 哈尔滨工业大学; 阿里巴巴集团·淘宝天猫集团
Published: 2026-08-18T23:17:48+08:00

arXiv2026-08-18 更新2026-08-20 收录

图像去摩尔纹

复杂场景摩尔纹去除

数据链接：

https://xinygu-pavo.github.io/WildMoire/数据链接链接失效反馈

官方服务：

资源简介：

WildMoiré是由哈尔滨工业大学和阿里巴巴集团联合构建的高质量图像去摩尔纹数据集，旨在提升复杂场景下的摩尔纹去除性能。该数据集包含6,800对1024×1024分辨率的训练图像对，以及约250对真实拍摄的干净图像作为测试基准。数据集通过收集真实世界中包含大尺度、多彩摩尔纹的屏幕照片，并利用五种生成式基础模型（如GPT-Image-2、SDXL等）生成候选参考图像，再经空间对齐、色彩校正及逐块质量控制筛选出最优监督信号。该数据集有效解决了现有数据难以覆盖复杂摩尔纹的问题，显著提升了去摩尔纹模型在多样化屏幕和场景下的泛化能力。

WildMoiré is a high-quality image demoiréing dataset jointly constructed by Harbin Institute of Technology and Alibaba Group, aiming to improve the performance of moiré pattern removal in complex scenarios. This dataset includes 6,800 training image pairs with a resolution of 1024×1024, and approximately 250 pairs of real-shot clean images serving as the test benchmark. To build this dataset, real-world screen photos containing large-scale and colorful moiré patterns are first collected. Then, five generative foundation models such as GPT-Image-2, SDXL, etc. are used to generate candidate reference images, followed by screening out the optimal supervision signals through spatial alignment, color correction and block-wise quality control. This dataset effectively solves the problem that existing datasets fail to adequately cover complex moiré patterns, and significantly improves the generalization ability of demoiréing models across diverse screens and scenarios.

提供机构：

哈尔滨工业大学; 阿里巴巴集团·淘宝天猫集团

创建时间：

2026-08-18

原始信息汇总

WildMoiré 数据集详情

数据集简介

WildMoiré 是一个用于复杂摩尔纹去除（Demoiréing） 任务的图像数据集，由哈尔滨工业大学与阿里巴巴集团（淘宝与天猫部门）的研究团队构建。该数据集通过生成式监督框架，利用真实世界中的摩尔纹观测构建可靠的配对监督，以提升复杂摩尔纹的去除效果。

核心特点

针对复杂摩尔纹：主要解决具有大规模彩色条纹和重叠干扰的复杂摩尔纹模式，这类模式在以往数据集中难以覆盖，且现有模型处理时常留有残留伪影并抑制图像细节。
生成式监督范式：采用数据引擎方案，通过图像条件生成基础模型产生候选参考图像，再经过补丁级质量控制筛选可靠监督。
配对数据构建：从真实世界采集含复杂摩尔纹的图像，定位屏幕区域，使用五种图像条件生成模型生成候选GT图像，经空间位置与颜色对齐、同步补丁裁剪、预过滤及最优GT选择等离线构建流程。

数据集规模

数据集部分	数量
训练集（Moiré–GT配对）	6,832对（分辨率1024×1024）
独立采集测试集	约250对

训练与增强

训练时采用尺度变换增强，改变摩尔纹的尺度以提升模型在不同摩尔纹尺度下的泛化能力。
经WildMoiré增强训练后，模型（ESDNet、SDXL、Qwen-Image-Edit）在复杂摩尔纹去除上均获得一致性提升。

定量评估结果（摘要）

在独立采集测试集上，加入WildMoiré训练后：

ESDNet：PSNR从21.50提升至23.37，SSIM从0.734提升至0.782，LPIPS从0.347降至0.261，MUSIQ从38.20提升至44.21。
SDXL：PSNR从21.90提升至23.56，SSIM从0.752提升至0.789，LPIPS从0.295降至0.262，MUSIQ从41.48提升至45.07。
Qwen-Image-Edit：PSNR从22.23提升至23.93，SSIM从0.758提升至0.785，LPIPS从0.310降至0.253，MUSIQ从55.33提升至58.97。

在UHDM和DCID的挑战性复杂摩尔纹案例上，各模型经WildMoiré增强后也均取得PSNR、SSIM、MUSIQ等指标的整体提升。

引用信息

bibtex @misc{gu2026improving, title = {Improving Complex Moiré Removal with Generative Supervision}, author = {Xinyang Gu and Zhilu Zhang and Honglei Xu and Yanting Mei and Yukang Ding and Wangmeng Zuo}, year = {2026} }

相关链接

项目页面：https://xinygu-pavo.github.io/WildMoire/
论文（PDF）与代码可通过项目页面获取。

搜集汇总

数据集介绍

构建方式

WildMoiré数据集源于对非受控真实场景中复杂摩尔纹图像的深度挖掘与生成式监督的巧妙融合。其构建历程始于对现实世界复杂摩尔纹图像的大规模采集，这些图像捕捉自公共显示屏与网络资源，覆盖了宽光谱色带、交错波纹及精细重复干扰等多元退化形态。通过语义分割模型精确锁定屏幕区域后，研究团队部署了五种图像条件生成基础模型（如GPT-Image-2、Nano-Banana-2、SDXL等）作为候选生成器，分别生成对应的干净参考图像。为确保生成结果的可靠性，所有候选图像经过严格的空间与光度对齐，并在同步裁剪的补丁层面进行纹理复杂度评估与A-FINE质量筛选，最终遴选出最佳候选作为伪真实标签，构建了包含6,832对1024×1024分辨率的训练数据，以及247对具备真实捕获干净参考的独立测试集。

特点

WildMoiré数据集以其独特的生成式监督范式与对复杂摩尔纹的高度覆盖著称，它突破了传统数据集依赖数字源配对或合成模拟的局限，首次在非受控环境中系统性地利用多生成模型互补性，实现了对大规模、多色摩尔纹的逼真模拟与高质量监督。该数据集不仅涵盖了从精密纹理到宽频色带的广泛退化类型，还通过尺度变换增强策略，显著提升了模型对摩尔纹尺度变化的鲁棒性。尤为关键的是，其构建过程中引入的A-FINE质量门控机制，有效甄别并剔除了生成模型潜在的幻觉内容，确保了监督信号既保留原始场景结构又彻底去除干扰，从而在保持内容保真度的同时，极大拓展了去摩尔纹模型的泛化边界。

使用方法

WildMoiré数据集为训练与评估复杂摩尔纹去除模型提供了坚实的基石。在实际应用中，研究者可将WildMoiré与现有配对数据集（如UHDM、DCID）混合使用，通过联合训练策略增强模型对经典与复杂摩尔纹模式的综合处理能力。该数据集支持多种模型架构的微调，包括CNN基础的ESDNet、扩散UNet的SDXL以及扩散Transformer的Qwen-Image-Edit，实验证明其能显著提升全参考指标（PSNR、SSIM、LPIPS）与无参考感知指标（MUSIQ、TOPIQ、Q-Align）。此外，数据集所配套的尺度变换数据增强策略，可在训练过程中动态调整摩尔纹的尺度分布，进一步提升模型的跨尺度泛化性能，使其更好地适应现实拍摄中千变万化的屏幕干扰场景。

背景与挑战

背景概述

随着智能手机与数码相机的普及，从电子屏幕拍摄图像已成为日常生活常态，然而这种拍摄方式极易引入摩尔纹伪影。摩尔纹源于显示屏像素网格与相机传感器阵列之间的空间频率干涉，表现为彩色条纹、弯曲波纹乃至大尺度低频色带，严重损害图像质量并干扰内容理解。为攻克这一难题，哈尔滨工业大学左旺孟团队联合阿里巴巴集团于2026年构建了WildMoiré数据集。该数据集独辟蹊径，采用生成式监督策略，通过五种前沿图像生成模型（如GPT-Image-2、Nano-Banana-2、SDXL等）对真实复杂摩尔纹图像进行候选去摩尔纹处理，并辅以空间对齐、颜色校准、局部质量筛选等系统化流程，最终形成包含6,832对训练样本及247对真实捕获评估样本的高质量数据集。WildMoiré突破了传统成对数据采集受限于可访问屏幕与可获取源图的瓶颈，显著拓展了训练数据对复杂、大尺度、多色摩尔纹的覆盖，为提升去摩尔纹模型的泛化能力提供了坚实的数据基础，并已在ESDNet、SDXL及Qwen-Image-Edit等模型中验证了其有效性。

当前挑战

在数据集构建过程中，首要挑战源于复杂摩尔纹图像对应干净真值图像的固有缺失。大型公共屏幕常播放动态视频或频繁更替内容，致使难以回溯拍摄瞬间的原始帧；而来自互联网的图像，其清洁源图基本不可获得。此外，单一生成模型难以在摩尔纹去除与内容保真间取得稳定平衡，部分模型能有效去除干涉却可能重绘图像导致内容漂移，另一些则保留原始结构却遗留残余摩尔纹。为解决这些难题，WildMoiré采用多生成模型互补策略，并通过空间及光度对齐、纹理复杂度过滤、ESDNet响应区分清洁区域、以及基于A-FINE的自适应质量门控进行局部最优真值筛选，从而在6,832个保留样本中实现了质量与多样性的权衡。该流程需在严苛的过滤阈值与数据集规模间取得优化，确保所选监督既足以提升模型性能，又不致因过度过滤而丧失数据多样性。

常用场景

经典使用场景

WildMoiré数据集作为图像去摩尔纹领域的专项资源，其经典使用场景聚焦于训练和评估面向复杂真实世界屏幕拍摄图像的深度学习模型。该数据集精心收录了来自现场拍摄与网络采集的6.8K对高分辨率（1024×1024）训练样本，以及247对包含真实干净参考图像的独立测试集，为研究者提供了在不可控环境下捕捉的大尺度、多色摩尔纹图像，从而支撑对去摩尔纹算法在复杂干扰模式下的泛化性能进行系统验证与提升。

衍生相关工作

WildMoiré数据集的构建范式衍生了多项启发式工作，推动了生成式监督在图像复原领域的深入探索。其多先验融合与质量控制策略为后续研究提供了新思路，例如启发研究者利用更先进的生成模型或结合人类反馈优化监督信号，同时促进了去摩尔纹与图像编辑、图像质量评估等方向的交叉融合，催生了更多基于大规模生成模型的通用图像复原数据集与方法论的涌现。

数据集最近研究