图像去雾数据集大全！！！

最新推荐文章于 2025-02-27 21:36:08 发布

是小机智吧

最新推荐文章于 2025-02-27 21:36:08 发布

阅读量692

点赞数 11

文章标签：计算机视觉人工智能深度学习

本文链接：https://blog.csdn.net/xyh___/article/details/145078808

版权

从基于物理模型的图像去雾到如今learning-based的去雾工作，数据集的好坏始终是一个关键的问题。借着读A Comprehensive Review on Analysis and Implementation of Recent Image Dehazing Methods的机会，也总结一下目前一些主流的图像去雾数据集（21年以前的），供大家参考，欢迎大家评论区交流学习！

Frida Dataset

论文：Vision enhancement in homogeneous and heterogeneous fog

使用SiVIC 软件生成 66 张虚拟仿真图像，每个无雾图像包含 4 个有雾图像和一个深度图，如图 21 所示。该数据集考虑四种类型的雾：均匀雾、非均匀雾、多云雾和多云非均匀雾。主要是为了在有雾的情况下提供更清晰的道路视图，以最大限度地减少事故。

Fattal’s Dataset

论文：Dehazing using color-lines

Fattal 数据集是经典的雾霾图像数据集之一，包含了许多标志性的合成和真实世界的雾霾图像。该数据集提供了12张合成雾霾图像，以及31张来自真实环境的有雾图像。

Waterloo IVC

论文：Perceptual evaluation of single image dehazing algorithms

有一部分和Fattal’s Dataset重复，包括25张来自室外和室内环境的真实模糊图像。其中，22张室外图像是基于不同雾霾浓度拍摄的真实雾霾图像，涵盖了从薄雾到浓雾的多种场景；3张室内图像则通过物理模型模拟生成，具有一定的参考价值。

500 Foggy Images

论文：Referenceless prediction of perceptual fog density and perceptual image defogging

有500张自然雾图像，组成这些图像包括不同的尺寸、不同的雾密度（从轻雾到浓雾）以及多样的图像内容

D-Hazy

论文：D-HAZY: a dataset to evaluate quantitatively dehazing algorithms

使用 Middlebury 和 NYU 深度数据集生成包含超过1400对合成的室内雾霾图像。

Semantic Understanding of Foggy Scenes

论文：Semantic foggy scene understanding with synthetic data

该数据集结合了合成和真实的有雾场景，包含有雾的城市景观图像和驾驶场景图像。其中驾驶场景由101个带有注释的真实雾天道路场景组成，保留了原图像的语义标注，可以做雾天环境下的语意理解。

Haze RD Dataset

论文：Hazerd: an outdoor scene dataset and benchmark for single image dehazing

由15个真实雾霾场景的图像组成，每个场景模拟了五种不同的天气条件，从薄雾到浓雾不等，覆盖了可见光范围从50米到1000米的不同情境。

I-Haze Dataset

论文：I-HAZE: a dehazing benchmark with real hazy and haze-free indoor images

I-Haze 数据集包含35对室内有雾和无雾图像，其中有雾图像是由专业雾霾机产生的，确保了雾霾效果的真实再现。每一对图像的拍摄条件相同，照明条件一致。

O-Haze

论文：O-HAZE: a dehazing benchmark with real hazy and haze-free outdoor images

O-Haze 数据集包含45个室外场景，每个场景有成对的真实有雾图像和无雾图像。类似于I-Haze，该数据集的雾霾效果也是由专业雾霾机模拟产生。

Dense-Haze

论文：Dense haze: a benchmark for image dehazing with dense-haze and haze-free images

包含33对真实世界的有雾和无雾图像，主要用于高密度雾霾场景的去雾算法的测试与评估。

RESIDE

论文：Benchmarking single-image dehazing and beyond

最经典和主流评价的数据集：RESIDE 。一个大规模图像数据集，包含两个子集：RESIDE standard 和 RESIDE-β。RESIDE standard 包括三个主要子集：室内训练测试集（ITS）、综合客观测试集（SOTS）和混合主观测试集（HSTS）。ITS 由NYU2和Middlebury立体室内数据集的1399张无雾图像生成，每个无雾图像对应生成10张合成有雾图像。SOTS 包含由NYU2生成的500张具有白色场景和浓雾的图像，这些图像未在训练集中使用。HSTS 包括10张合成的户外雾霾图像和10张真实的雾霾图像。RESIDE-β包含两个子集：户外训练集（OTS），该子集包含72,135张模糊图像；现实世界任务驱动测试集（RTTS），该子集包含4322张图像，适用于更为复杂的雾霾去除任务。