MPI‑Sintel（全称 MPI Sintel Optical Flow Dataset）是由德国马克斯·普朗克信息系统研究所（MPI‑IS）与多所高校合作于 2012 年发布的合成视觉基准，主要用于 光流（optical flow） 与 立体视差（disparity） 的算法评估与训练。数据集的原始素材来源于 开源 3D 动画短片《Sintel》（Blender 基金会制作），研究者对影片的渲染过程进行多次修改，以获得不同难度层次的图像序列和对应的精确地面真实（ground‑truth）标注。
1. 组成与规模
| 项目 | 说明 |
|---|---|
| 场景数量 | 23 个不同场景（包括室内、室外、人物、自然等） |
| 图像对数 | 1 064 对合成立体图像（RGB）以及对应的视差图（灰度） |
| 分辨率 | 1024 × 436 像素，8 位/通道 |
| 序列长度 | 大多数场景为 50 帧，少数为 40 帧，共计约 890 帧 |
| 变体 | Sintel‑Clean（仅基本渲染）和 Sintel‑Final（加入光照变化、运动模糊、雾气等真实感退化） |
| 标注内容 | 密集光流场、运动边界、未匹配像素、深度/视差、相机位姿等 |
2. 设计目标与特色
- 自然主义合成：利用动画渲染得到的图像在外观上接近真实摄影，能够提供完整且无噪声的地面真实标注。
- 挑战性：相比早期的 Middlebury 数据集，Sintel 包含更大的位移、非刚体运动、运动模糊、景深模糊、镜面反射以及大气效应等，旨在推动光流算法在复杂场景下的鲁棒性。
- 多任务兼容：除了光流，还提供立体视差、深度、内在图像分解等标注，已被广泛用于 光流估计、立体匹配、视频预测、图像分解、风格迁移 等研究方向。
- 标准评估协议：提供统一的评估指标（如平均端点误差 EPE）和公开的测试集（测试序列在提交前会随机扰动，以防作弊）。
3. 使用情况
- 学术基准：自发布以来，MPI‑Sintel 成为光流领域最常用的基准之一，几乎所有主流光流网络（如 RAFT、GMFlow、FlowFormer 等）都在该数据集上报告结果。
- 竞赛与排行榜：被纳入 CVPR、ECCV 等国际计算机视觉会议的挑战赛，推动了深度学习光流技术的快速迭代。
- 跨任务扩展：在立体匹配、视频帧插值、运动遮挡检测等任务中也被广泛采用。
4. 获取方式
| 链接 | 说明 |
|---|---|
| 官方下载页面 | <https://sintel.is.tue.mpg.de/ >（提供 Clean / Final 两套数据及说明文档） |
| OpenDataLab 镜像 | <https://opendatalab.org.cn/OpenDataLab/MPI_Sintel >（国内访问更快） |
| Papers with Code 入口 | <https://paperswithcode.com/dataset/mpi-sintel >（包含代码基准、排行榜） |
5. 小结
MPI‑Sintel 通过高质量的合成动画提供了大规模、细粒度且具挑战性的光流与视差标注，是计算机视觉尤其是光流研究的核心基准。其 Clean 与 Final 两种渲染层次、丰富的场景多样性以及完整的评估协议，使其在学术界和工业界都得到广泛采用，成为推动视觉运动估计技术进步的重要资源。
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！