MIORe & VAR-MIORe

MIORe和VAR-MIORe数据集是针对当前运动恢复基准中的关键限制而设计的。这两个数据集通过高帧率（1000FPS）采集和专业级光学，捕捉了广泛的运动场景，包括复杂的自我相机运动、动态多主体交互和深度相关的模糊效果。MIORe通过自适应平均帧，根据计算的光流指标生成一致的动态模糊，并为视频帧插值和光流估计保留了清晰的输入。VAR-MIORe进一步扩展了范围，涵盖了从最小到极端的各种运动幅度，这是第一个明确控制运动幅度的基准。这两个数据集为下一代图像和视频恢复研究提供了挑战现有算法的高分辨率和可扩展的地面真实情况。The MIORe and VAR-MIORe datasets are designed to address key limitations in existing motion restoration benchmarks. These two datasets capture a wide range of motion scenarios via high-frame-rate (1000 FPS) capture and professional-grade optical systems, including complex egocentric camera motions, dynamic multi-agent interactions, and depth-dependent blur effects. MIORe generates consistent dynamic blur via adaptive frame averaging based on computed optical flow metrics, while preserving sharp inputs for video frame interpolation and optical flow estimation. VAR-MIORe further expands the scope, covering a full spectrum of motion magnitudes ranging from minimal to extreme, and it represents the first benchmark that explicitly controls motion magnitude. These two datasets provide high-resolution and scalable ground truth for next-generation image and video restoration research, which challenges current state-of-the-art algorithms.

搜集汇总

数据集介绍

构建方式

在运动恢复研究领域，数据集的构建质量直接影响算法评估的可靠性。MIORe与VAR-MIORe采用工业级高速相机以1000 FPS帧率采集全高清视频序列，通过自适应帧平均机制生成运动模糊效果。该方法基于光流均值与最大值动态计算最优帧数进行融合，确保模糊图像与尖锐参考帧的精确对应，其中左右边界帧保留为视频插值与光流估计的基准数据，中间帧作为去模糊任务的真实标签。

特点

该数据集的核心特点在于其涵盖从静态到极端的连续运动幅度谱系，首次将可变运动强度作为基准参数纳入设计。通过多样化镜头组合与自然场景采集，数据集融合了复杂 ego-camera 运动、多主体交互及景深相关模糊效应，同时引入散焦模糊与极端曝光等光学退化因素。高帧率采集与专业光学器件的结合，使得数据集能精准模拟真实世界中从平滑平移到动态桶滚等多种运动模式。

使用方法

该数据集为多任务学习提供统一评估框架，支持非均匀运动去模糊、视频帧插值与光流估计三类核心任务。去模糊任务以单张模糊图像为输入，对应中间尖锐帧作为真值；视频插值任务利用左右边界尖锐帧预测中间帧；光流估计则通过伪标签标注的运动轨迹进行模型训练。数据集按运动强度分级组织，支持算法在可控与极端条件下的鲁棒性验证，为跨任务联合优化研究奠定基础。

背景与挑战

背景概述

MIORe与VAR-MIORe数据集由维尔茨堡大学计算机视觉实验室于2025年提出，旨在突破运动恢复研究领域的边界。该数据集通过1000帧/秒的高帧率采集系统和专业级光学设备，捕捉了从静态到极端的连续运动幅度范围，涵盖了复杂自相机运动、多主体动态交互及深度相关模糊效应。作为首个支持非均匀运动去模糊、视频帧插值和光流估计的多任务基准，其创新性地采用基于光流度量的自适应帧平均机制，为真实场景下的算法评估提供了高分辨率、可扩展的基准平台。

当前挑战

在领域问题层面，该数据集需应对非均匀运动去模糊中极端幅度运动导致的细节丢失、视频帧插值中动态场景与时间一致性的平衡、以及光流估计中深度变化与遮挡关系的解析难题。构建过程中，高帧率数据采集面临存储与计算资源的严峻压力，自适应帧平均机制要求精确的光流计算与运动强度映射，而多镜头组合引入的畸变、暗角等光学退化效应进一步增加了数据标注与质量控制的复杂度。

常用场景

经典使用场景

在计算机视觉领域，MIORe与VAR-MIORe数据集通过高帧率采集技术，为运动恢复任务提供了前所未有的动态范围覆盖。这些数据集特别适用于非均匀运动去模糊研究，其中VAR-MIORe通过可变帧平均机制模拟从轻微到极端的运动幅度，使算法能在连续运动强度下接受严格测试。例如，在高速物体追踪场景中，数据集生成的模糊图像与清晰地面实况配对，为模型训练与评估奠定了坚实基础。

解决学术问题

该数据集有效解决了传统基准在运动变异性和真实感方面的局限。通过整合复杂自我运动、多主体交互及深度依赖模糊效应，MIORe填补了光学流估计与视频帧插值任务中缺乏清晰参考帧的空白。其自适应帧平均策略确保了运动模糊的一致性，同时保留边缘帧的锐利特性，推动了对运动分解与恢复机制的深入探索，为多任务学习提供了统一平台。

衍生相关工作

基于MIORe与VAR-MIORe的衍生研究催生了多项创新工作，例如频率域变换器在快速运动去模糊中的优化，以及选择性状态空间模型在长程运动建模中的应用。这些工作不仅扩展了视频帧插值与光学流估计的算法边界，还促进了多任务框架的发展，如结合去模糊与插值的统一网络架构，进一步推动了运动分析领域的跨任务协同。