使用浮世绘人脸图像的数据集来训练StyleGAN模型

作为我的论文《基于分辨率的GAN插值用于域间的可控图像合成》的一部分，我使用浮世绘人脸图像的数据集来训练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 - 最初发行的版本，被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。图像像素为1024x1024、jpeg格式，并已根据FFHQ数据集所使用的过程进行对齐。上面是数据集中（几乎）所有图像的地图，对图像进行了绘制，以使相似的面孔看起来靠近在一起[2]。为了便于显示， 图像已缩小为256x256。 细节 图片是从数个博物馆网站上下載来的，然后我使用Amazon Rekognition尝试从每个图片中检测面部和面部标志。Rekognition在这两个任务上都做得很合理，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。同时，许多图像的分辨率並不是很高，因此为了生成1024x1024分辨率的可用数据集，我使用了在Manga109数据集上训练的预训练的ESRGAN [3]模型来按需放大图像，尽管这些图像会留下一些瑕疵，但大体上的结果还是不错的。 其他数据集

KaoKore是浮世绘人脸的另一个数据集[4]，它具有更多的多样性和标签，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``知识共享署名-相同方式共享4.0国际许可证''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.http://arxiv.org/abs/2010.05334. 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的特征。然后使用UMAP将这些高维特征向量投影到二维，最后使用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.http://arxiv.org/abs/1809.00219. 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.http://arxiv.org/abs/2002.08595.

责任编辑：lq