当前位置：首页 > news >正文

Large-scale CelebFaces Attributes (CelebA) 数据集生态：核心详解、免费下载与三大扩展应用全景

news 2025/10/19 6:47:05

Large-scale CelebFaces Attributes (CelebA) Dataset

Sample Images

1. 前言

一、简介

Large-scale CelebFaces Attributes (CelebA) Dataset 是由香港中文大学 MMLAB 推出的大型人脸属性数据集，包含202,599 张名人图像、10,177 个身份，每张图像标注了5 个地标位置和40 个二进制属性，图像涵盖大姿态变化与背景干扰，可用于人脸属性识别、人脸识别、人脸检测等计算机视觉任务；

类别	具体信息	数量 / 说明
身份覆盖	名人身份数量	10,177 个
图像规模	人脸图像总数	202,599 张
空间标注	面部关键点位置	5 个 (眼尖、嘴角、鼻尖)
属性标注	图像属性标注类型	40 个二进制属性（如性别、是否微笑、是否戴眼镜等）
图像特征	姿态与背景	涵盖大姿态变化、复杂背景干扰，更贴近真实场景

核心应用任务：

人脸属性识别：判断40种属性的存在与否。
人脸识别/验证：判断图像是否属于同一身份。
人脸检测与定位：基于关键点进行人脸及部件定位。
人脸编辑与合成：作为生成模型（如GANs）的训练数据，进行属性编辑。

后续于 2020 年 7 月发布相关数据集 CelebAMask-HQ 和 CelebA-Spoof，2021 年 9 月发布 CelebA-Dialog，数据集仅支持非商业研究使用，需引用论文《Deep Learning Face Attributes in the Wild》（ICCV 2015），若官方链接不可用可通过百度网盘下载。

CelebAMask-HQ (2020): 提供30,000张高分辨率图像的精细化19类语义分割掩码，专注于人脸解析与编辑。
CelebA-Spoof (2020): 大规模人脸活体检测数据集，包含超过62万张图像和丰富的反欺诈注解（如攻击类型、光照环境）。
CelebA-Dialog (2021): 创新性的视觉-语言对话数据集，将人脸图像与细粒度的编辑对话相关联，支持基于自然语言的交互式人脸编辑。

二、官网及下载地址

Celeb：https://mmlab.ie.cuhk.edu.hk/projects/CelebA.html

谷歌下载链接：https://drive.google.com/drive/folders/0B7EVK8r0v71pWEZsZE9oNnFzTm8?resourcekey=0-5BR16BdXnb8hVj6CNHKzLg&usp=sharing

百度下载链接(password: rp0s).：https://pan.baidu.com/s/1CRxxhoQ97A5qbsKO7iaAJg#list/path=%2F

2. 思维导图（mindmap）

3. 详细总结

一、数据集概述

CelebA（Large-scale CelebFaces Attributes Dataset）是香港中文大学 MMLAB 构建的大型人脸属性数据集，核心特点为 “大多样性、大数量、丰富标注”，具体规模如下表所示：

类别	具体信息	数量 / 说明
身份覆盖	名人身份数量	10,177 个
图像规模	人脸图像总数	202,599 张
空间标注	面部地标位置数量	5 个
属性标注	图像属性标注类型	40 个二进制属性
图像特征	姿态与背景	涵盖大姿态变化、背景干扰

该数据集可作为训练集与测试集，支撑多种计算机视觉任务，包括：

人脸属性识别
人脸识别
人脸检测
地标（或面部部件）定位
人脸编辑与合成

二、相关数据集发布（News 板块）

MMLAB 后续基于 CelebA 扩展发布了多个相关数据集，具体信息如下：

2020 年 7 月 10 日：发布 2 个相关数据集 ——CelebAMask-HQ、CelebA-Spoof
2021 年 9 月 10 日：发布 1 个相关数据集 ——CelebA-Dialog

下表从核心定位、数据规模、标注内容、核心任务、关键特点及发布时间6 个维度，对 CelebAMask-HQ、CelebA-Spoof、CelebA-Dialog 三个扩展数据集进行全面对比：

对比维度	CelebAMask-HQ	CelebA-Spoof	CelebA-Dialog
核心定位	高分辨率人脸精细语义分割与编辑	人脸活体检测（反欺诈）	人脸 - 多轮对话跨模态配对
数据规模	30,000 张 1024×1024 高分辨率人脸图像	500,000 + 张图像，覆盖 1,000 + 真实身份	10,000 + 组人脸 - 对话样本，含 50 + 轮对话
标注内容	19 类面部语义掩码（如头发、眼睛、嘴巴等）、人脸属性标签	活体 / 攻击二分类标签、攻击类型标签（如打印纸、电子屏、3D 模型）、光照 / 姿态标签	人脸身份标签、多轮对话文本、对话情感标签（如中性、开心、生气）
核心任务	人脸语义分割、人脸编辑（如换发型、改妆容）、人脸生成	人脸活体检测（区分真实人脸与伪造攻击）、跨场景欺诈检测	视觉 - 语言跨模态检索、对话情感分析、人脸 - 对话关联生成
关键特点	首次提供高分辨率人脸精细掩码，解决低分辨率分割精度不足问题	覆盖多种常见攻击类型，支持复杂场景（如不同光照、姿态）下的模型训练	首次将人脸视觉信息与对话文本关联，填补跨模态数据空白
发布时间	2020 年 7 月 10 日	2020 年 7 月 10 日	2021 年 9 月 10 日

数据类型差异：CelebAMask-HQ 与 CelebA-Spoof 为纯视觉数据集，聚焦人脸外观与真实性；CelebA-Dialog 为视觉 - 语言跨模态数据集，新增对话文本维度。
核心任务差异：前两者服务于 “人脸分析与安全”（分割、编辑、反欺诈）；后者服务于 “跨模态融合”（视觉与语言的关联任务）。
标注精细度差异：CelebAMask-HQ 以 “语义掩码” 为核心，标注最精细；CelebA-Spoof 以 “攻击类型” 为核心，标注侧重场景与安全性；CelebA-Dialog 以 “文本 - 视觉关联” 为核心，标注侧重语义与情感。

2.1 CelebAMask-HQ（https://github.com/switchablenorms/CelebAMask-HQ）

标注文件：

语义掩码标注（19 类面部部件）：包含头发、眼睛、鼻子等精细区域划分，可通过 GitHub 仓库获取预处理脚本。

技术文档摘要

核心技术细节：
- 基于 CelebA-HQ 的高分辨率（1024×1024）人脸图像，通过专业标注工具生成像素级语义掩码，解决低分辨率分割精度不足问题。
- 支持人脸编辑任务（如换发型、改妆容），可与生成对抗网络（GAN）结合实现语义可控的图像合成。
数据划分：
- 包含 30,000 张图像，未明确划分训练 / 验证 / 测试集，建议根据任务自行拆分。

2.2 CelebA-Spoof（https://github.com/ZhangYuanhan-AI/CelebA-Spoof）

技术文档摘要

核心技术细节：
- 包含 625,537 张图像，覆盖 10,177 个身份，标注了活体 / 攻击二分类标签及 10 种攻击类型（如打印纸、电子屏、3D 模型），支持跨场景欺诈检测。
- 引入多任务框架 AENet，结合语义和几何信息提升模型泛化能力，在复杂光照和姿态下表现优异。
数据划分：
- 训练集包含 386,270 张图像，测试集包含 53,858 张图像，测试身份与训练身份完全独立。

2.3 CelebA-Dialog（https://github.com/yumingj/Talk-to-Edit）

技术文档摘要

核心技术细节：
- 包含 10,000 + 组人脸 - 对话样本，每组对话含 50 + 轮交互，标注了人脸身份、对话文本及情感标签（如中性、开心、生气），支持视觉 - 语言跨模态检索。
- 结合 LSTM 语言编码器和语义场（Semantic Field）技术，实现基于自然语言的高细粒度人脸编辑（如调整笑容程度、添加眼镜）。
数据划分：
- 未公开具体划分比例，建议根据任务需求（如对话生成或情感分析）自行拆分。