BVI-RLV: A Fully Registered Dataset and Benchmarks for Low-Light Video Enhancement

低光视频通常表现出时空不一致的噪声，影响计算机视觉应用的可见性和性能。利用深度学习增强这种内容的一个重要挑战是训练数据的稀缺性。本文介绍了一个新颖的低光视频数据集，包括40个场景，涵盖两种不同的低光条件下的各种运动情景，包括真实噪声和时间伪影。我们提供了在正常光下使用可编程电动滑轨捕捉的完全注册的地面真实数据，并通过基于图像的方法对不同光照水平下的像素级帧对齐进行了改进。我们基于四种不同技术提供了基准测试：卷积神经网络、变压器、扩散模型和状态空间模型（Mamba）。我们的实验结果表明，完全注册的视频对于低光视频增强（LLVE）非常重要，全面的评估显示，使用我们的数据集训练的模型优于使用现有数据集训练的模型。我们的数据集和基准测试链接可在 https://doi.org/10.21227/mzny-8c77 上公开获取。

本论文旨在解决低光照视频增强（LLVE）中数据不足的问题，并提出了一种新的低光照视频数据集。

论文提出了一种基于全注册的视频对进行低光照视频增强的方法，并通过四种不同的技术进行了评估和基准测试。

论文提供了一种新的低光照视频数据集，其中包含40个场景，具有不同的运动情况和两种不同的低光照条件。实验结果表明，使用全注册的视频对进行低光照视频增强可以提高模型性能。论文提供了四种不同技术的基准测试结果，并公开了数据集和代码。

在这个领域中，还有一些相关的研究，如《Low-light image enhancement using Gaussian mixture model and contrast stretching》和《Learning to See in the Dark》等。