图像去雾常用数据集简介

图像去雾是计算机视觉领域的一个重要任务，而数据集的选取对于去雾算法的准确性和泛化能力至关重要。以下是几个常用的图像去雾数据集：

1. RESIDE数据集：包含合成和真实世界的模糊图像，称为REalistic Single Image Dehazing。该数据集突出了各种数据源和图像内容，并分为五个子集，每个子集用于不同的训练或评估目的。提供了各种去雾算法评估标准，包括完整参考度量、无参考度量、主观评估和任务驱动评估。
2. D-HAZY数据集：建立在Middelbury和NYU深度数据集上，包含各种场景的图像及其相应的深度图。该数据集包含1400多对图像，其中包括同一场景的地面真实参考图像和模糊图像。
3. Middlebury Stereo双目立体匹配测试数据集：由潘广汉、孙天生、托比·威德和丹尼尔·沙尔斯坦在2019-2021期间创建。数据集包括11个场景，在许多不同的照明条件和曝光下，从1-3个不同的观看方向成像。
4. NH-HAZE数据集：是一个非均匀的真实数据集，包含成对的真实雾度和相应的无雾度图像。这是第一个非齐次图像去模糊数据集，包含55个室外场景。在场景中引入了非均匀雾，使用专业雾发生器模拟雾场景的真实条件。
5. DENSE-HAZE数据集：以浓密均匀的朦胧场景为特征，包含33对真实的朦胧图像和各种室外场景的相应无霾图像。通过引入由专业雾霾机器生成的真实雾霾来记录雾霾场景。朦胧和无朦胧的对应场景包含在相同照明参数下捕获的相同视觉内容。
6. REVIDE视频去雾数据集：现有的深度学习去雾方法多采用单帧去雾数据集进行训练和评测，从而使得去雾网络只能利用当前有雾图像的信息恢复清晰图像。
   这些数据集在图像去雾领域具有广泛的应用，并为研究者提供了丰富的资源来开发和改进去雾算法。通过使用这些数据集，可以更好地评估去雾算法的性能，并促进该领域的进一步发展。