ReCRVD

ReCRVD是由天津大学电气与信息工程学院创建的大规模视频去噪数据集，包含120组噪声-干净视频对，ISO值范围从1600到25600。该数据集通过重新捕获4K屏幕上显示的高分辨率视频内容，并采用高低ISO设置来构建噪声-干净配对帧，随后通过强度、空间和颜色校正策略进行对齐。数据集创建过程中，通过保持时间顺序将校准后的帧连接成配对视频，以模拟真实动态场景。ReCRVD数据集旨在为监督学习提供丰富的真实运动数据，以提升视频去噪模型的性能和泛化能力。ReCRVD is a large-scale video denoising dataset developed by the School of Electrical and Information Engineering, Tianjin University. It contains 120 pairs of noisy-clean videos, with ISO values ranging from 1600 to 25600. This dataset is constructed by re-capturing high-resolution video content displayed on a 4K screen using both high and low ISO settings to generate noisy-clean paired frames, which are then aligned via intensity, spatial, and color correction strategies. During the dataset creation process, the calibrated frames are concatenated into paired videos while preserving temporal order to simulate realistic dynamic scenes. The ReCRVD dataset aims to provide abundant real-world motion data for supervised learning, so as to enhance the performance and generalization capability of video denoising models.

搜集汇总

数据集介绍

构建方式

在原始视频去噪领域，构建大规模高质量数据集面临动态场景下噪声-干净帧对难以同步捕获的挑战。ReCRVD数据集通过创新的屏幕重摄方法解决了这一难题：将现有高分辨率视频在4K屏幕上播放，采用高低ISO设置逐帧重摄屏幕内容，生成噪声-干净帧对。为确保数据对齐，研究团队引入了强度校正、空间对齐和色彩校正等后处理策略，最终按时间顺序拼接帧对构建视频序列。该数据集包含120组噪声-干净视频，ISO覆盖1600至25600范围，涵盖了从DAVIS、UVG和Adobe240fps等数据源提取的多样化真实运动场景。

特点

ReCRVD数据集在原始视频去噪领域展现出显著特点：其噪声-干净视频对通过物理捕获生成，噪声模型与真实成像过程高度一致，ISO设置跨越宽广的动态范围。数据集规模显著超越先前基准，包含120个场景，且运动模式源于真实视频而非受控物体，提供了更丰富的运动多样性。数据经过严格的像素级对齐处理，确保了噪声与干净帧间的空间一致性，同时通过色彩校正消除了屏幕重摄可能引入的色偏。这些特性使得基于该数据集训练的模型在真实户外噪声视频上表现出优异的泛化能力。

使用方法

ReCRVD数据集主要用于监督学习和无监督学习的原始视频去噪模型训练与评估。在监督学习框架下，研究者可直接利用其噪声-干净视频对训练深度网络，通过最小化预测帧与干净地面真值之间的损失函数来优化模型参数。数据集已划分为90个训练场景和30个测试场景，支持对模型性能进行标准化评估。对于无监督学习，可采用噪声帧自身构建训练对，例如通过邻域下采样策略生成噪声-噪声对进行自监督训练。此外，该数据集还可用于跨数据集泛化测试，验证模型在真实户外噪声视频上的去噪能力，推动原始视频去噪技术向实际应用场景的迁移。

背景与挑战

背景概述

在计算摄影学领域，原始视频去噪因其与成像过程的一致性及原始域噪声模型的成熟研究而备受关注。ReCRVD数据集由天津大学的研究团队于近年构建，旨在解决动态场景下原始视频去噪缺乏大规模真实运动配对数据的问题。该数据集通过重捕获4K屏幕上播放的高分辨率视频，采用高低ISO设置生成噪声-干净配对帧，并经过强度、空间和色彩校正处理，最终包含120组覆盖ISO 1600至25600的视频对。ReCRVD的推出显著提升了监督学习模型在真实户外噪声视频上的泛化能力，为原始视频去噪研究提供了重要的基准资源。

当前挑战

ReCRVD数据集面临的挑战主要体现在两个方面：在领域问题层面，原始视频去噪需有效利用时空相关性以消除传感器噪声，同时保持视频细节与自然运动，这对模型的长期依赖建模与计算效率提出了更高要求；在构建过程中，捕获动态场景的噪声-干净配对视频极具难度，传统静态捕获方法无法模拟真实运动，而屏幕重捕获策略需克服摩尔纹、亮度差异、空间错位与色彩偏差等复杂问题，并通过精细的后处理流程确保数据对齐与噪声分布的真实性。

常用场景

经典使用场景

在原始视频去噪研究领域，ReCRVD数据集作为一项重要基准资源，其经典使用场景聚焦于监督式学习框架下的模型训练与性能评估。该数据集通过屏幕重摄技术构建了包含真实动态场景的噪声-干净视频对，有效模拟了自然运动模式下的噪声分布。研究者通常利用其丰富的场景多样性（涵盖120组视频）和宽泛的ISO设置（1600至25600），系统性地验证去噪算法在时空相关性建模、噪声模式适应以及细节保留能力等方面的表现。数据集的结构化划分（90组训练、30组测试）为模型泛化性能提供了可靠检验平台，成为推动原始视频去噪技术发展的关键实验载体。

解决学术问题

ReCRVD数据集主要解决了原始视频去噪领域长期存在的两大核心学术问题。其一，突破了动态场景下噪声-干净视频对难以获取的技术瓶颈，通过创新的屏幕重摄与后处理流程，实现了像素级对齐的高质量配对数据，弥补了以往数据集（如CRVD）在运动真实性与场景规模上的不足。其二，为监督学习范式提供了大规模基准数据支撑，使得基于深度学习的时空特征融合、噪声分布建模等研究得以深入开展。该数据集通过模拟真实成像链路的噪声特性，显著提升了算法在真实户外场景下的泛化能力，推动了从合成数据到实际应用的过渡。

衍生相关工作

围绕ReCRVD数据集衍生出多项具有影响力的研究工作，主要集中在高效Transformer架构设计与无监督学习范式探索。其伴生网络RViDeformer提出了多分支时空自注意力机制（MSSA/MTSA），通过全局窗口、邻域窗口与低分辨率窗口的协同建模，为长程相关性利用提供了新思路。该工作进一步启发了轻量化重参数化技术（RepMLP/RepConv）在视频恢复任务中的应用。在无监督学习方向，数据集推动了NBR2NBR等单帧噪声配对策略在视频域的适配，促进了自监督去噪方法的发展。后续研究亦基于该数据集的构建理念，扩展至低光增强、跨传感器迁移等相邻领域。