RESIDE数据集简单介绍

概述：

        该数据集使用由合成和真实世界模糊图像组成的新的大规模基准，称为真实单图像去雾 (RESIDE)，对现有的单图像去雾算法进行了全面的研究和评估。RESIDE 突出了不同的数据源和图像内容，分为五个子集，每个子集服务于不同的训练或评估目的。为进一步为去雾算法评估提供了丰富的标准，从全参考指标到无参考指标，再到主观评估和新的任务驱动评估。 RESIDE 上的实验揭示了最先进的去雾算法的比较和局限性，并提出了有希望的未来方向。

主要贡献：

        一、我们引入了一个新的单图像去雾基准，称为真实单图像去雾(RESIDE)数据集。它具有一个大规模的合成训练集，以及为客观和主观设计的两个不同的训练集RESIDE 数据集，为了公开用于研究目的，我们计划定期更新基准测试结果，以获取引人注。目们的联新系去以雾在算法。我们进一步介绍了 RESIDEβ 集，这是 RESIDE 基准的探索性和补充部分，包括关于当前训练数据内容（室内与室外图像）和评估标准（从人类视觉或机器视觉角度）方面的障碍的两个创新讨论， 分别。特别是在后面部分，用对象边界框注释了一个由 4,322 个真实世界模糊图像组成的任务驱动评估集，这是同类贡献中的第一个。

        二、我们根据新的 RESIDE 和 RESIDEβ 数据集引入了一套创新的评估策略。在 RESIDE 中，除了广泛采用的 PSNR 和 SSIM 之外，我们还使用无参考指标和人类主观评分来评估去雾结果，特别是对于没有干净地面实况的真实世界模糊图像。在 RESIDEβ 中，我们认识到实践中的图像去雾通常用作中级和高级视觉任务的预处理步骤。因此，我们建议利用感知损失作为“完全参考”任务驱动的度量，捕获更多高级语义，并将去雾图像上的对象检测性能作为“无参考”任务特定的评估标准去雾现实图像。 ‧我们使用新的 RESIDE 和 RESIDEβ 数据集以及提出的各种评估标准，进行了广泛而系统的实验，以定量比较九种最先进的单图像去雾算法。我们的评估和分析展示了最先进算法的性能和局限性，并带来了丰富的见解。这些实验的结果不仅证实了人们普遍认为的观点，而且还提出了单张图像去雾的新研究方向

        三、RESIDE 的概述可以在表I 中找到。我们注意到，本文中使用的一些策略以前在文献中或多或少地使用过，例如去雾中的无参考指标、主观评价，并将去雾与高级任务联系起来。然而，RESIDE 是迄今为止第一个也是唯一一个系统评估，其中包括在一个共同的大规模基准上具有多个标准的许多去雾算法，这在文献中长期以来一直缺失的。

        REISDE训练集包含13,990个合成模糊图像，使用来自现有室内深度数据集NYU2和米德尔伯里立体数据库的1,399个清晰图像生成。 我们为每个清晰图像合成10个模糊图像。 提供了13,000个用于训练和990个用于验证。 我们设置每个通道大气光A在[0.7，1.0]之间，均匀地随机选择beta在[0.6,1.8]。 因此，它包含成对的清晰和模糊的图像，其中清晰的地面实况图像可以导致多个对，其朦胧图像是在不同的参数A和beta下生成的。

        REISDE测试集由综合目标测试集（SOTS）和混合主观测试集（HSTS）组成，旨在表现出多种评估观点。 SOTS从NYU2中选择500个室内图像（与训练图像不重叠），并按照与训练数据相同的过程来合成模糊图像。 我们专门为测试创建具有挑战性的去雾情况，例如，添加了浓雾的白色场景。 HSTS采用与SOTS相同的方式生成10个合成的户外朦胧图像，以及10个真实世界的朦胧图像，收集现实世界的室外场景 ，结合进行人体主观评审。

        RESIDE是一个广泛使用的合成数据集，它由五个子集组成：室内训练集 (ITS)、户外训练集 (OTS)、综合目标测试集 (SOTS)、现实世界任务驱动测试集 (RTTS) 和混合 主观测试集（HSTS）。ITS、OTS 和 SOTS 是合成数据集，RTTS 是真实世界数据集，HSTS 由合成和真实的模糊图像组成。