浮世绘面孔数据集 | 雷峰网-米乐m6平台

译者：ai研习社（）

双语原文链接：

作为论文[1]的一部分，我使用浮世绘的人脸图像数据集来训练stylegan模型，本文包含该数据集的链接和该数据集的详细信息。

更新

• v2-删除了28张质量不好的图像（对准不良或没有正面）。

• v1-最初的发行版，使用在与分辨率相关的gan插值的论文中，用于域之间的可控图像合成。

数据集

浮世绘人脸数据集包含来自浮世绘照片的5209张脸部图像。 图像格式为1024x1024的jpeg，并已根据ffhq数据集所使用的过程进行了对齐。 上面是数据集中（几乎）所有图像的地图，越相似的图像彼此越靠近[2]。 为便于显示，图像像素已降至 256x256。

更多细节

图片是从数个博物馆网站上刮下来的，然后我试着用amazon rekognition从每个图片中检测面部和面部标志。 rekognition相对合理地完成了任务，但是显然并不完美，很多面部都被遗漏了，并且许多图像中都存在对齐错误。 许多图像的分辨率不是很高，因此要生成可用的1024x1024分辨率的数据集，我使用在数据集上训练的预训练esrgan [3]模型来按需放大图像，这些图像偶尔会出现一些瑕疵，但大体上结果不错。

其他数据集

是浮世绘人脸的另一个数据集[4]，它具有更多的变化和标签，但是图像分辨率较低且人脸未对齐。

许可和使用

此数据集是根据提供的。

如果使用数据集，请引用为“aligned ukiyo-e faces dataset, justin pinkney 2020”或一个bibtex条目：

1. pinkney, justin n. m., and doron adler. ‘resolution dependent gan interpolation for controllable image synthesis between domains’. arxiv:2010.05334 [cs, eess], 20 october 2020. .

2. 为了生成此图像，我首先使用在imagenet上预训练的resnet50从每个图像中提取cnn特征。 然后使用umap将这些高维特征向量投影到二维，然后使用lapjv算法完成网格划分。

3. wang, xintao, ke yu, shixiang wu, jinjin gu, yihao liu, chao dong, chen change loy, yu qiao, and xiaoou tang. ‘esrgan: enhanced super-resolution generative adversarial networks’. arxiv:1809.00219 [cs], 1 september 2018. .

4. tian, yingtao, chikahiko suzuki, tarin clanuwat, mikel bober-irizar, alex lamb, and asanobu kitamoto. ‘kaokore: a pre-modern japanese art facial expression dataset’. arxiv:2002.08595 [cs, stat], 20 february 2020. .

ai研习社是ai学术青年和ai开发者技术交流的在线社区。我们与高校、学术机构和产业界合作，通过提供学习、实战和求职服务，为ai学术青年和开发者的交流互助和职业发展打造一站式平台，致力成为中国最大的科技创新人才聚集地。

如果，你也是位热爱分享的ai爱好者。欢迎与译站一起，学习新知，分享成长。