低照度图像数据集

chaiky

已于 2023-08-28 09:20:33 修改

阅读量1.6w

点赞数 31

分类专栏：论文笔记文章标签：计算机视觉 opencv 深度学习

于 2022-08-01 21:34:28 首次发布

本文链接：https://blog.csdn.net/qq_39751352/article/details/126097765

版权

论文笔记专栏收录该内容

33 篇文章 32 订阅

订阅专栏

LSRW、

https://docs.activeloop.ai/datasets

【LOL】：paper，包含低光/正常光图像的配对数据集

包含 500 个低光/正常光图像对。
原始图像被调整为 400×600 并转换为便携式网络图形格式。
使用三步法来消除数据集中图像对之间的错位。

【Exclusive Dark】：paper，

Exclusive Dark数据集仅由十种不同类型的低光图像（即低光，环境，对象，单个，弱，强，屏幕，窗口，阴影和暮光）组成，仅在可见光下使用图像和对象级别注释捕获。

【SID】： paper，极低光照下的配对数据集。

light level (outdoor scene 0.2 lux - 5 lux; indoor scene: 0.03 lux - 0.3 lux)。

原始数据是在短曝光时间（通常为 0.1 秒或 0.04 秒）的弱光下成像时收集的。
ground truth 是在长曝光时间（通常为 10 秒或 30 秒）下拍摄的，其中噪声可以忽略不计。

【HDR】：paper，

HDR数据集自己拍了74个场景。机型Canon EOS-5D Mark III camera，原图大小5760 x 3840，为了减小对齐错位风险而下采样到1500 x 1000。用data augmentation rotate flip从74变成740。输入的时候用stride 20切块40x40大小。LDR HDR和gt切同样位置。切完选择50%以上ref img过/欠曝光的patch，一共1百万张。

【RAISE】：

RAISE是一个具有挑战性的真实世界图像数据集，主要用于评估数字伪造检测算法。它由8156张高分辨率RAW图像组成，未压缩并保证是相机原生的（即，从未接触或处理过）。所有图像都是在3年（2011-2014）的时间内从4位摄影师那里收集的，使用3台不同的相机在欧洲80多个地方捕捉了不同的场景和时刻。

【GLADNet】：paper，在RAISE原始图像上合成低照度图像配对数据集。

从RAISE[12]收集了780个原始图像，其中700个用于生成训练对，80个用于验证。Adobe Photoshop Lightroom为RAW图像调整提供了一系列参数，包括曝光、亮度和对比度。通过将曝光参数E设置为[-5，0]，将振动参数V设置为[-100，0]，将对比度参数C设置成[-100，0]来合成低光图像。为了防止颜色偏差，将转换为彩色图像对的700个灰度图像对添加到训练数据集。为了在增强之前和之后保持黑色和白色区域相同，添加了五个黑到黑和五个白到白训练对。最后，将所有图像的大小调整为400×600，并转换为便携式网络图形格式。

【DPED】：paper，code，其中包含从三部不同手机和一部高端单反相机拍摄的真实照片。

DPED数据集 DSLR Photo Enhancement Dataset

文章主要任务是解决图片转换问题，将普通照片转换为DSLR品质的图像。

图3：在3周内总共收集了超过22K照片，其中包括索尼智能手机的4549张照片，iPhone的5727张照片和黑莓的6015张照片；对于每张智能手机照片，都有来自佳能数码单反相机的相应照片。这些照片是在白天在各种地方以及在各种照明和天气条件下拍摄的。图像是在自动模式下拍摄的，我们在整个收集过程中对所有相机都使用了默认设置。

图4：消除图像对之间的像素错位，使用了非线性变换，输入网络的是固定分辨率的图像（图4）。首先，对于每个（phoneDSLR）图像计算并匹配SIFT关键点。然后，将两个图像都裁剪（crop）到相交部分。

【SICE】： paper，大规模的多曝光图像数据集，包含多场景高分辨率图像序列。

文中采用MEF和HDR技术来重构参考图像(文章表示有更高对比度和高可见度重构效果)，从相机拍摄到图像筛选到参考图像生成，利用1200种序列和13种MEF/HDR算法，生成了1200×13=15600种融合结果。文中经过精心筛选保留了589个高质量的参考图像和它们的相应序列。 4413 张图像。

【RELLISUR】：paper，包含真实的低光低分辨率图像，并与正常光的高分辨率参考图像配对。

本文介绍了RELLISUR，这是一个用于低光图像超分辨率任务的真实数据集。该数据集包含 850 个不同的 LLLR/NLHR 串行，这些串行是通过控制相机镜头和曝光时间来收集的。LLE和SR的各种SOTA模型应用于RELLISUR以进行基准测试。

RELLISUR 数据集包含真实的低光低分辨率图像，并与正常光的高分辨率参考图像配对。该数据集旨在填补低光图像增强和低分辨率图像增强（超分辨率（SR））之间的空白，尽管现实世界图像的可见性通常受到低光和低分辨率的限制，但目前在文献中仅单独解决。该数据集包含12750张不同分辨率和低光照度的成对图像，便于学习基于深度学习的模型，这些模型可以从低可见性的退化图像直接映射到高分辨率的高质量细节丰富的图像。

【LLVIP】：用于低光视觉的可见光-红外配对数据集

【MIT-Adobe FiveK】：使用输入/输出图像对数据库学习摄影全局色调调整（具有约4%的低光图像）

【Dark Face】：低光照条件下的人脸检测数据集

DARK FACE数据集提供了6,000张在夜间，在教学楼，街道，桥梁，立交桥，公园等拍摄的真实世界低光图像，所有这些都标有人脸的边界框，作为主要的训练和/或验证集。我们还提供从相同设置收集的 9,000 张未标记的低光图像。此外，我们还提供了一组独特的789对低光/正常光图像，这些图像是在可控的真实照明条件下捕获的（但不必要地包含人脸），这些图像可以用作参与者离散化时训练数据的一部分。将有一个由4,000张低光图像组成的保持测试集，并带有人脸边界框的注释。

【UFDD】：UFDD用于不利条件下的人脸检测，包括基于天气的退化，运动模糊，焦点模糊等。

【NightOwls dataset】：用于夜间行人检测的数据集。

nighttowls包含了27万9千帧，40个序列，由一个行业标准的相机在3个国家的夜间记录，包括不同的季节和天气条件。所有的帧都是完全注释的，并包含额外的对象属性，如遮挡、姿态和难度，以及跟踪信息，以在多个帧中识别相同的对象。包含了大量用于评估检测器鲁棒性的背景帧，一个用于局部超参数调优的验证集，以及一个用于在提交服务器上进行中央评估的测试集。