Donghyun99/SRD

这是一个非官方的SRD（SRD+）数据集，用于阴影去除任务。数据集包含图像、掩码、目标图像和文件名四个特征。数据集分为训练集和测试集，训练集有2675个样本，测试集有406个样本。数据集的下载大小为675430719字节，总大小为887333764字节。数据集的语言为英语，规模在1K到10K之间。

This is a non-official SRD (SRD+) dataset for shadow-removal. The dataset contains four features: image, mask, target, and filename. The dataset is divided into a training set and a test set, with 2675 samples in the training set and 406 samples in the test set. The download size of the dataset is 675430719 bytes, and the total size is 887333764 bytes. The language of the dataset is English, and the size category is between 1K and 10K.

搜集汇总

数据集介绍

构建方式

阴影移除是计算机视觉领域中一项具有挑战性的任务，其核心在于从图像中精准分离并消除阴影区域，以恢复场景的真实光照信息。Donghyun99/SRD（SRD+）数据集正是为此任务而构建的，它整合了官方SRD数据集中的图像与来自特定来源的阴影掩膜。该数据集共包含3081个样本，其中训练集2675个、测试集406个，每个样本由原始图像、阴影掩膜及目标无阴影图像三部分组成，并以图像格式存储，同时附带文件名信息。这种结构为监督学习提供了完备的配对数据，便于模型学习从阴影到无阴影的映射关系。

特点

该数据集的特点在于其专注于阴影移除这一特定任务，且提供了官方数据集中缺失的阴影掩膜，从而增强了数据集的实用性和完整性。数据集规模适中，介于1K至10K之间，既保证了足够的样本多样性，又避免了过大的计算开销。采用MIT开源许可协议，便于学术研究与应用开发。此外，数据集明确划分为训练与测试集，并采用分片存储方式，支持高效加载。任务类别为图像到图像的转换，语言标识为英文，整体设计清晰规范，降低了使用门槛。

使用方法

使用该数据集时，可通过HuggingFace的datasets库直接加载，指定配置名为'default'，即可自动获取训练与测试分片。加载后的数据包含'image'、'mask'和'target'三个图像字段，以及'filename'字符串字段，便于索引与处理。适用于基于深度学习的阴影移除模型训练，例如U-Net、GAN等架构。用户需注意，该数据集为非官方版本，阴影掩膜来源于第三方，建议在实际应用中验证其准确性。同时，数据集的图像尺寸未明确给出，预处理时可能需要统一缩放或裁剪以适配模型输入要求。

背景与挑战

背景概述

阴影去除是计算机视觉领域中一项基础而富有挑战性的任务，其目标是从图像中精准消除由光照不均产生的阴影区域，以恢复场景的真实纹理与色彩。Donghyun99/SRD数据集（即Shadow Removal Dataset，简称SRD）由中国科学院自动化研究所的田建东团队于2016年左右创建，旨在为阴影去除研究提供高质量的成对训练与测试样本。该数据集包含2675张训练图像和406张测试图像，每张图像均提供原始图像、对应的阴影掩膜以及无阴影的目标图像，其精细的标注使得模型能够学习从阴影到无阴影的像素级映射。SRD数据集因其规模适中、标注准确，成为阴影去除领域最广泛使用的基准之一，推动了基于深度学习的阴影去除方法的发展，对相关研究具有深远影响。

当前挑战

阴影去除面临的领域挑战在于阴影区域的光照条件复杂多变，阴影边界模糊且受物体几何与纹理影响，导致模型难以在保持背景一致性的同时实现自然过渡。SRD数据集的构建过程亦充满挑战：首先，采集阶段需要严格控制光照环境以获取成对的阴影与无阴影图像，这要求精密的实验设置与大量人工干预；其次，阴影掩膜的标注依赖于人工分割，在复杂场景中难以保证边界完全精确，可能引入标注噪声；此外，数据集规模有限（不足3000张训练样本），限制了模型对多样化阴影模式的泛化能力，尤其在现实应用中面对非均匀光照或动态阴影时表现不佳。

常用场景

经典使用场景

SRD（Shadow Removal Dataset）数据集是阴影去除领域中极具代表性的基准数据集，其核心应用场景为图像级的阴影消除任务。该数据集包含2675张训练图像和406张测试图像，每张图像均配有原始图像、阴影掩膜以及无阴影的目标图像，为监督学习范式下的阴影去除模型提供了标准化的训练与评估平台。研究者常利用该数据集训练深度学习模型，以学习从带阴影图像到无阴影图像的像素级映射关系，从而实现对复杂光照场景中阴影区域的精准修复。

实际应用

在实际应用中，基于SRD数据集训练的阴影去除模型可广泛服务于计算机视觉系统的预处理环节。例如，在自动驾驶场景中消除路面阴影对目标检测的干扰，提升行人及车辆识别的准确性；在智能监控领域还原被阴影遮蔽的关键细节，增强视频分析的可信度；在图像编辑与增强软件中实现一键式阴影去除，改善用户拍摄照片的视觉效果。此外，该技术还可用于遥感图像处理，消除建筑物或云层投射的阴影，辅助地理信息提取与变化检测。

衍生相关工作

SRD数据集催生了一系列经典研究工作，包括基于生成对抗网络的阴影去除方法（如ST-CGAN、AR-GAN）、结合注意力机制的阴影感知网络（如DSC、CANet），以及利用物理模型引导的阴影去除框架（如ShadowFormer）。这些工作不仅在SRD数据集上取得了当时最优的性能指标，还推动了阴影去除领域从简单的像素回归向语义理解与物理建模相结合的方向演进。此外，该数据集也被广泛用于无监督阴影去除、阴影检测与去除联合学习等衍生任务的基准测试，持续影响着该领域的发展脉络。