BVI-RLV：用于低光视频增强的完全注册数据集
计算机视觉与模式识别
2026-05-25 v3
摘要
低光视频常常表现出时空不一致的噪声，影响可见性并损害计算机视觉应用的性能。使用深度学习增强此类内容的主要挑战在于稀缺的像素对齐高质量训练数据。我们引入 BVI-RLV，一个由超过 3 万对帧组成的完全注册低光视频数据集，包含 40 个多样化场景下的两种低光条件，每帧都与正常光照下的真实图对齐。与现有数据集依赖中性密度 (ND) 滤镜或存在对齐问题不同，BVI-RLV 在动感场景下实现了全高清分辨率下 99.24% 的亚像素级注册，并采用电动滑轨和基于图像的细化。数据集涵盖多种运动类型和真实的时序噪声。我们还提供了四种代表性架构的基线实现：卷积神经网络 (CNN)、Transformer、状态空间模型 (Mamba) 和扩散模型 (DM)。实验表明，注册对有监督学习至关重要，相较于未注册的训练可实现最高 5.85 dB PSNR 的提升。在跨数据集评估中，基于 BVI-RLV 训练的模型在实际户外场景下均优于基于现有数据集训练的模型。该数据集已公开于 https://doi.org/10.21227/mzny-8c77。
引用
@article{arxiv.2407.03535,
title = {BVI-RLV: A Fully Registered Dataset for Low-Light Video Enhancement},
author = {Ruirui Lin and Guoxi Huang and Joanne Lin and Qi Sun and Alexandra Malyugina and David R Bull and Nantheera Anantrasirichai},
journal= {arXiv preprint arXiv:2407.03535},
year = {2026}
}
备注
arXiv admin note: text overlap with arXiv:2402.01970