RAWDet-7：用于量化 RAW 图像目标检测与描述的多场景基准
计算机视觉与模式识别
2026-02-11 v2
摘要
大多数视觉模型是在经过 ISP 流程处理的 RGB 图像上训练的，这些图像是为人类感知优化的，可能会丢弃对机器推理有用的传感器级信息。RAW 图像保留未处理的场景数据，使模型能够利用更丰富的线索进行目标检测和目标描述，捕捉通常在处理后图像中丢失的细粒度细节、空间关系和上下文信息。为支持此领域的研究，我们引入 RAWDet-7，一个规模为约 25k 训练和 7.6k 测试的大型 RAW 图像数据集，跨越多种相机、光照条件和环境，按 MS-COCO 和 LVIS 约定进行七类目标的密集标注。此外，我们提供了从相应高分辨率 sRGB 图像中派生的目标级别描述，促进对 RAW 图像处理和低位量化下信息保留程度的研究。该数据集允许在模拟 4 位、6 位和 8 位量化的情况下进行评估，反映真实的传感器限制，并为研究检测性能、描述质量与细节以及低位 RAW 图像处理中的泛化性提供基准。数据集与代码将在接受后提供。
引用
@article{arxiv.2602.03760,
title = {RAWDet-7: A Multi-Scenario Benchmark for Object Detection and Description on Quantized RAW Images},
author = {Mishal Fatima and Shashank Agnihotri and Kanchana Vaishnavi Gandikota and Michael Moeller and Margret Keuper},
journal= {arXiv preprint arXiv:2602.03760},
year = {2026}
}
备注
*Equal Contribution