https://docs.activeloop.ai/datasets
【LOL】：包含低光/正常光图像对的低光数据集
【Exclusive Dark】：Exclusive Dark数据集仅由十种不同类型的低光图像（即低光，环境，对象，单个，弱，强，屏幕，窗口，阴影和暮光）组成，仅在可见光下使用图像和对象级别注释捕获。
【SID】： paper，极低光照下的图片。light level (outdoor scene 0.2 lux - 5 lux; indoor scene: 0.03 lux - 0.3 lux)。
【SICE】： paper，大规模的多曝光图像数据集，包含多场景高分辨率图像序列。
文中采用MEF和HDR技术来重构参考图像(文章表示有更高对比度和高可见度重构效果)，从相机拍摄到图像筛选到参考图像生成，利用1200种序列和13种MEF/HDR算法，生成了1200×13=15600种融合结果。文中经过精心筛选保留了589个高质量的参考图像和它们的相应序列。 4413 张图像。
【RELLISUR】：paper，包含真实的低光低分辨率图像，并与正常光的高分辨率参考图像配对。
本文介绍了RELLISUR，这是一个用于低光图像超分辨率任务的真实数据集。该数据集包含 850 个不同的 LLLR/NLHR 串行，这些串行是通过控制相机镜头和曝光时间来收集的。LLE和SR的各种SOTA模型应用于RELLISUR以进行基准测试。
RELLISUR 数据集包含真实的低光低分辨率图像，并与正常光的高分辨率参考图像配对。该数据集旨在填补低光图像增强和低分辨率图像增强（超分辨率（SR））之间的空白，尽管现实世界图像的可见性通常受到低光和低分辨率的限制，但目前在文献中仅单独解决。 该数据集包含12750张不同分辨率和低光照度的成对图像，便于学习基于深度学习的模型，这些模型可以从低可见性的退化图像直接映射到高分辨率的高质量细节丰富的图像。
【LLVIP】：用于低光视觉的可见光-红外配对数据集
【MIT-Adobe FiveK】：使用输入/输出图像对数据库学习摄影全局色调调整（具有约4%的低光图像）
【Dark Face】：低光照条件下的人脸检测数据集
DARK FACE数据集提供了6,000张在夜间，在教学楼，街道，桥梁，立交桥，公园等拍摄的真实世界低光图像，所有这些都标有人脸的边界框，作为主要的训练和/或验证集。我们还提供从相同设置收集的 9,000 张未标记的低光图像。此外，我们还提供了一组独特的789对低光/正常光图像，这些图像是在可控的真实照明条件下捕获的（但不必要地包含人脸），这些图像可以用作参与者离散化时训练数据的一部分。将有一个由4,000张低光图像组成的保持测试集，并带有人脸边界框的注释。
【UFDD】：UFDD用于不利条件下的人脸检测，包括基于天气的退化，运动模糊，焦点模糊等。
【NightOwls dataset】：用于夜间行人检测的数据集。
nighttowls包含了27万9千帧，40个序列，由一个行业标准的相机在3个国家的夜间记录，包括不同的季节和天气条件。所有的帧都是完全注释的，并包含额外的对象属性，如遮挡、姿态和难度，以及跟踪信息，以在多个帧中识别相同的对象。包含了大量用于评估检测器鲁棒性的背景帧，一个用于局部超参数调优的验证集，以及一个用于在提交服务器上进行中央评估的测试集。
