原论文首页 · 3L-D: A Low-Light Level Dataset from a Sensor-Agnostic, Alignment-Preserving Acquisition Framework

3L-D：把低照视频评测拆成五档真实照度

暗光恢复的瓶颈常在参考图。可重复的运动轨迹和照度分级，有助于区分模型失败与参考图错位。

文章信息与阅读大纲

3L-D: A Low-Light Level Dataset from a Sensor-Agnostic, Alignment-Preserving Acquisition Framework
arXiv 2611.02695v1 · 首次提交 2026-11-02 · 当周新稿
2026.11.06 周选第 5 篇 · 拍照、视频 · 建议重点

阅读顺序：研究问题、核心方案、实验条件、业务验证。

研究问题与核心方案

图 1 · 原论文第 2 页，点击查看原图

可编程机械装置重复同一运动，采集一份参考及五个夜间照度版本。光谱覆盖可见光和近红外，尽量减少靠后处理配准造成的几何误差。

实验结果与分析

表 3 按夜间等级分别报告保真度、感知指标和推理耗时。数据覆盖约 1000 至 0.1 mlx；缩比场景可复查纹理和光照，但真实人物运动和手机滤光片响应仍需另测。

以表 3 的 KinD 为例，N3 到 N5 的 PSNR 从 41.98 降到 38.41 dB，LPIPS 从 0.0277 升到 0.0766。在同一场景连续改变光子水平，比只看一组平均分更容易定位退化开始的区间。

研发判断与验证建议

重点依据　暗光恢复的瓶颈常在参考图。可重复的运动轨迹和照度分级，有助于区分模型失败与参考图错位。

在实验室先复刻三个照度档的运动标靶，测参考重复性，再评估暗部颜色和运动边缘；把真实街景作为独立外测集。