低光照图像增强数据集

摘要：低光照图像增强数据集是一个面向低照度视觉增强、图像恢复与成像质量优化研究的成对图像数据集，共包含 970 个图像文件，分别存放于短曝光（short_exposure）和长曝光（long_exposure）两个文件夹中。数据通过在相同或对应场景下采集不同曝光条件的图像，构建低光照输入与正常光照参考图像之间的映射关系。

数据集概述

低光照图像增强数据集是一个面向低照度视觉增强、图像恢复与成像质量优化研究的成对图像数据集，共包含 970 个图像文件，分别存放于短曝光（short_exposure）和长曝光（long_exposure）两个文件夹中。数据通过在相同或对应场景下采集不同曝光条件的图像，构建低光照输入与正常光照参考图像之间的映射关系。图像由索尼成像设备采集，覆盖室内和室外多种场景，支持 PNG 与 RAW 格式，最高分辨率可达 4240×2832 像素，能够较好地保留真实相机成像过程中的亮度、噪声、色彩和细节差异，为低光照图像增强算法训练和评估提供高质量数据基础。

数据结构与关键特征

该数据集采用“短曝光图像—长曝光图像”配对结构组织，每个场景通过 scene_id、文件名和曝光信息建立对应关系。主要元数据包括 image_name（图像文件名）、folder_type（短曝光或长曝光类别）、exposure_ratio（短曝光与长曝光时间比例）、scene_id（场景或采集序列标识）、brightness_level（近似亮度水平）以及 camera_type（图像采集设备）等。短曝光图像通常表现出亮度不足、暗部细节损失、噪声增强和颜色失真，而对应的长曝光图像可作为较高质量的参考目标。该配对方式能够支持监督学习中的一一映射训练，同时方便按照场景划分训练集、验证集和测试集，减少数据泄漏并提高模型评价的可靠性。

应用价值与研究方向

该数据集可广泛应用于低光照图像增强、RAW图像恢复、图像去噪、曝光校正、颜色恢复和细节重建等计算机视觉任务。研究人员可以采用 Retinex 系列方法、U-Net、CNN、Transformer、Zero-DCE、扩散模型等算法学习低曝光图像到正常曝光图像之间的映射关系，并通过 PSNR、SSIM、LPIPS 等指标评价增强质量。进一步研究方向包括真实传感器噪声建模、RAW域端到端增强、跨相机泛化、极低照度图像恢复、夜间目标检测前处理以及面向智能监控、移动摄影、自动驾驶和机器人视觉的实时低光增强系统开发。

数据集来源

由张家梁(Bob)整理并于2026年在7zcode平台公开发布。

数据集信息

免责声明与引用

数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。

作者信息

作者：Bob (张家梁)
项目编号：Datasets-427
文件大小：320M
原创声明：本数据集为整理作品

联系方式

开源协议

本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。