0
譯者：AI研習社（星期五）
雙語原文鏈接：Ukiyo-e faces dataset
作為論文域之間可控圖像合成的分辨率相關GAN插值[1]的一部分，我使用浮世繪的人臉圖像數據集來訓練StyleGAN模型，本文包含該數據集的鏈接和該數據集的詳細信息。
V2-刪除了28張質量不好的圖像（對準不良或沒有正面）。
V1-最初的發行版，使用在與分辨率相關的GAN插值的論文中，用于域之間的可控圖像合成。
浮世繪人臉數據集包含來自浮世繪照片的5209張臉部圖像。 圖像格式為1024x1024的jpeg，并已根據FFHQ數據集所使用的過程進行了對齊。 上面是數據集中（幾乎）所有圖像的地圖，越相似的圖像彼此越靠近[2]。 為便于顯示，圖像像素已降至 256x256。
更多細節
圖片是從數個博物館網站上刮下來的，然后我試著用Amazon Rekognition從每個圖片中檢測面部和面部標志。 Rekognition相對合理地完成了任務，但是顯然并不完美，很多面部都被遺漏了，并且許多圖像中都存在對齊錯誤。 許多圖像的分辨率不是很高，因此要生成可用的1024x1024分辨率的數據集，我使用在Manga109數據集上訓練的預訓練ESRGAN [3]模型來按需放大圖像，這些圖像偶爾會出現一些瑕疵，但大體上結果不錯。
KaoKore是浮世繪人臉的另一個數據集[4]，它具有更多的變化和標簽，但是圖像分辨率較低且人臉未對齊。
此數據集是根據知識共享署名-相同方式共享4.0國際許可提供的。
如果使用數據集，請引用為“Aligned ukiyo-e faces dataset, Justin Pinkney 2020”或一個bibtex條目：
| @misc{pinkney2020ukiyoe, author = {Justin N. M. Pinkney}, title = {Aligned Ukiyo-e faces dataset}, year={2020}, howpublished= {\url{https://www.justinpinkney.com/ukiyoe-dataset}} |
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. http://arxiv.org/abs/2010.05334.?
為了生成此圖像，我首先使用在Imagenet上預訓練的ResNet50從每個圖像中提取CNN特征。 然后使用UMAP將這些高維特征向量投影到二維，然后使用lapjv算法完成網格劃分。
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. http://arxiv.org/abs/1809.00219.?
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. http://arxiv.org/abs/2002.08595.?
AI研習社是AI學術青年和AI開發者技術交流的在線社區。我們與高校、學術機構和產業界合作，通過提供學習、實戰和求職服務，為AI學術青年和開發者的交流互助和職業發展打造一站式平臺，致力成為中國最大的科技創新人才聚集地。
如果，你也是位熱愛分享的AI愛好者。歡迎與譯站一起，學習新知，分享成長。
