SciEval-NLOS：非视域成像下的语义轮廓复原数据集

本数据集对应项目 NLOS-LDM——基于 STL-10 的「非视域（NLOS）场景采集 → 背景扣除 → 网络复原」实验， 通过深度网络从墙面投影图中初步复原出带有类别（label）信息的目标轮廓图。

• 📂 代码与权重（GitHub）：https://github.com/Zhouzone/SciEval/tree/main/projects/NLOS
• 🧩 LoRA 精修（进行中）：在论文 training-free 重建上增补轻量 LoRA 的方案与脚手架见 GitHub 的 projects/NLOS/lora_finetune/（img2img + LoRA，多底模出多风格）。
• 📦 数据与结果（本仓库）：因含约 6.5 万个小图片文件，为避免逐个上传触发限流，全部数据打包为单个档案 nlos.tar.gz（约 1.9 GB），解压后得到 nlos/ 文件夹。
• 🟦 投影仪遮黑版 nlos_blocked.tar.gz（约 1.1 GB）：在采集图固定区域覆盖黑块遮挡投影仪，解压得到 nlos_blocked/（含 train_blocked / test_blocked / subtracted_*_blocked / background_blocked.jpg）。对应脚本 train_cls_blocked.py / test_cls_blocked.py。

---

下载与解压

本仓库提供两个档案，按需下载：

档案	大小	解压得到	对应脚本
nlos.tar.gz	~1.9 GB	nlos/	train_cls.py / test_cls.py
nlos_blocked.tar.gz	~1.1 GB	nlos_blocked/	train_cls_blocked.py / test_cls_blocked.py

from huggingface_hub import hf_hub_download

# 原始版（如需遮黑版改 filename="nlos_blocked.tar.gz"）
path = hf_hub_download(
    repo_id="Cayenne226/SciEval-NLOS",
    repo_type="dataset",
    filename="nlos.tar.gz",
    local_dir="./",
)

tar -xzf nlos.tar.gz            # Linux / macOS / Windows 10+ 自带 tar
tar -xzf nlos_blocked.tar.gz    # 遮黑版

解压后将各子文件夹路径填入对应脚本顶部变量即可。

---

目录结构（解压后 nlos/）

路径	含义
img_train/ img_test/	原始 STL-10 训练集 / 测试集图像（复原目标 ground truth）
train/ test/	布置 NLOS 场景后实际采集到的投影图像
subtracted_train/ subtracted_test/	将 train / test 减去 background.jpg 后的数据（消除静态背景）
result_train100/	训练集复原结果（1/ 为 GT/input/output 三联对比图，2/ 为纯复原图）
result_test100/	测试集复原结果（结构同上）
background.jpg	采集场景的纯背景图，用于背景扣除
README.md	本说明文档（档案内同样附带一份）

数据共 10 个类别：airplane, bird, car, cat, deer, dog, horse, monkey, ship, truck，各数据集内部按类别分子文件夹。

投影仪遮黑版（解压后 nlos_blocked/）

在采集图固定区域（投影仪所在位置，640×480 坐标下 (414,142)-(522,184)）覆盖黑色矩形，遮挡投影仪本体与镜头亮光这一静态干扰，其余与原数据一致。

路径	含义
train_blocked/ test_blocked/	NLOS 采集投影图（投影仪已遮黑），各 5000 / 8000 张
subtracted_train_blocked/ subtracted_test_blocked/	背景扣除图（投影仪已遮黑）
result_train100_blocked/ result_test100_blocked/	用遮黑数据训练/测试得到的复原结果（1/ 三联对比图，2/ 纯复原图）
background_blocked.jpg	遮黑后的背景图
README.md	遮黑版说明（档案内附带）

注：nlos_blocked/ 的输入侧为遮黑数据；目标图沿用原版 nlos/ 中的 img_train / img_test（STL-10 原图，本身无投影仪），训练/测试时两者配合使用。

---

处理流程

原始图 (img_*)  ──布置 NLOS 场景采集──▶  投影图 (train/test)
                                              │
                                       减去 background.jpg
                                              ▼
                                   背景扣除图 (subtracted_*)
                                              │
                                    输入网络训练/推理
                                              ▼
                              复原的语义轮廓图 (result_*)

网络以 subtracted_train（背景扣除图）为输入、img_train（原始图）为目标， 采用「回归（MSE 复原）+ 分类（CrossEntropy）」多任务训练，复原出带 label 信息的轮廓图。 训练与推理代码、网络结构（URnet7）及权重 train100.pth 见上方 GitHub 链接。