图像修复（Image Restoration）算法数据集详细介绍

目录

人脸数据集

1.Helen Face

2.CelebA (Celebrity Attribute)

3.CelebA-HQ

4.FFHQ（Flickr-Faces-HQ）

场景数据集

1.MS COCO (Common Objects in Context)

2.ImageNet

3.Places2

街景数据集

1.Paris StreetView

2.Cityscapes

纹理数据集

DTD（Describable Textures Dataset）

建筑数据集

Façade

---

 

人脸数据集

1.Helen Face

数据集介绍：

Helen Face数据集是一个用于人脸关键点检测的数据集,其中包含了2330张人脸图片，涵盖了不同的姿态，表情，光照等多种条件。每张图片都有对应的标签，包括人脸关键点位置信息。这个数据集是由 Helen 课题组在 2011 年开发的，用于训练和评估人脸关键点检测算法。由于 Helen Face 数据集包含了大量人脸图像，且关键点已经标记，所以可以用于训练算法识别人脸关键点的能力。

在训练图像修复算法中，由于 Helen Face 数据集中的图像涵盖了不同的姿态，表情，光照等多种条件可以用于训练人脸关键点检测算法；也可以用于训练人脸修复算法，例如训练算法去除图像中人脸遮挡，模糊等问题。

数据集来源：

链接：http://www.ifp.illinois.edu/~vuongle2/helen/

制作机构：Helen 课题组(由美国伊利诺伊大学香槟分校的计算机科学和工程系组成的研究小组)

原始文章：A. S. Razavian, H. Azizpour, J. Sullivan, and S. Carlsson, "CNN features off-the-shelf: an astounding baseline for recognition," in IEEE Conference on Computer Vision and Pattern Recognition Workshops, 2014, pp. 806-813.

样本示例：

2.CelebA (Celebrity Attribute)

数据集介绍：

CelebA数据集是一个由人脸图像和相关属性标签组成的数据集。它包含了超过 200,000 张高分辨率的人脸图像，这些图像来自于超过 10,000 位不同的名人。每张图像都有 40 个不同的属性标签，如性别，年龄，鬓角，眼睛颜色等等，这些标签可以用来训练和评估计算机视觉系统。

CelebA 数据集由大量高质量的人脸图像组成，因此可以用来训练和评估图像修复算法。例如，可以在 CelebA 数据集上训练一个算法来修复面部遮挡的图像，或者在数据集上预测缺失部分的颜色和纹理。

数据集来源：

链接：CelebA Dataset

制作机构：香港中文大学的媒体实验室 (Multimedia Laboratory, CUHK)

原始文章：Liu, Z., Luo, P., Wang, X., & Tang, X. (2015). Deep learning face attributes in the wild. In Proceedings of the IEEE International Conference on Computer Vision (pp. 3730-3738)

样本示例:

3.CelebA-HQ

数据集介绍：

CelebA-HQ数据集是CelebA数据集的升级版，是一个由高分辨率人脸图像和相关属性标签组成的数据集。它包含了超过 30,000 张高分辨率（1024x1024）的人脸图像，这些图像来自于超过 1,000 位不同的名人。每张图像都有 40 个不同的属性标签，如性别，年龄，鬓角，眼睛颜色等等，这些标签可以用来训练和评估计算机视觉系统。CelebA-HQ 数据集主要用于高分辨率人脸生成和超分辨率重建任务，因为它提供了高分辨率人脸图像和相关属性标签。

与 CelebA 数据集相比，CelebA-HQ数据集具有更高的分辨率和更多的样本，因此可以更好的用于高分辨率人脸生成和超分辨率重建任务。CelebA-HQ 数据集中每张图片都有多种属性标签,这可以让图像修复算法在修复图像的同时考虑属性信息，如性别，年龄，发色等，从而更好的修复图像,更接近真实人脸的样子。

数据集来源

链接：https://github.com/tkarras/progressive_growing_of_gans