CyberHarem/saya_bluearchive

这是一个名为saya/薬子サヤ/纱绫 (Blue Archive)的数据集，包含114张图片及其标签。图片来源于多个网站（如danbooru、pixiv、zerochan等），并通过自动爬取系统获取。数据集的核心标签包括animal_ears, mouse_ears, long_hair, red_eyes, breasts, grey_hair, halo, mouse_tail, mouse_girl, small_breasts, tail, fang。README文件还提供了数据集的下载链接、加载方法以及标签聚类结果的展示。

原始信息汇总

数据集概述：saya/薬子サヤ/纱绫 (Blue Archive)

数据集基本信息

• 许可证: MIT
• 任务类别: 文本到图像
• 标签: 艺术, 不适用于所有观众
• 大小类别: 小于1K

数据集内容

• 包含内容: 114张图像及其标签
• 核心标签: animal_ears, mouse_ears, long_hair, red_eyes, breasts, grey_hair, halo, mouse_tail, mouse_girl, small_breasts, tail, fang
• 图像来源: 多个网站，如danbooru, pixiv, zerochan等
• 采集系统: 由DeepGHS Team提供技术支持

数据集包列表

名称	图像数量	大小	下载链接	类型	描述
raw	114	176.69 MiB	下载	Waifuc-Raw	包含元信息的原始数据（最小边对齐到1400像素，如果更大）
1200	114	150.93 MiB	下载	IMG+TXT	短边不超过1200像素的数据集
stage3-p480-1200	287	309.46 MiB	下载	IMG+TXT	三阶段裁剪数据集，区域不小于480x480像素

数据集加载示例

• 加载工具: waifuc

• 加载代码示例: python import os import zipfile

  from huggingface_hub import hf_hub_download from waifuc.source import LocalSource

  下载原始存档文件

  zip_file = hf_hub_download( repo_id=CyberHarem/saya_bluearchive, repo_type=dataset, filename=dataset-raw.zip, )

  提取文件到你的目录

  dataset_dir = dataset_dir os.makedirs(dataset_dir, exist_ok=True) with zipfile.ZipFile(zip_file, r) as zf: zf.extractall(dataset_dir)

  使用waifuc加载数据集

  source = LocalSource(dataset_dir) for item in source: print(item.image, item.meta[filename], item.meta[tags])

标签聚类结果

原始文本版本

#	样本数	图像1	图像2	图像3	图像4	图像5	标签
0	15	...	...	...	...	...	1girl, china_dress, ear_tag, looking_at_viewer, solo, blue_dress, detached_sleeves, smile, blush, open_mouth, simple_background, mouse, white_background, bow
1	9	...	...	...	...	...	1girl, looking_at_viewer, solo, ear_tag, midriff, mouth_mask, navel, open_mouth, smile, denim_shorts, open_jacket, blush, medium_breasts, purple_jacket
2	9	...	...	...	...	...	1girl, long_sleeves, open_jacket, purple_jacket, solo, denim_shorts, full_body, looking_at_viewer, asymmetrical_legwear, navel, simple_background, single_thighhigh, smile, white_background, crop_top, ear_tag, holding, midriff, mouth_mask, off_shoulder, short_shorts, bare_shoulders, mask_pull, mouse, skateboard, white_hair, black_shirt, blue_shorts, brown_thighhighs, food, open_mouth, single_sock, sleeveless_shirt, sneakers, stomach

表格版本

#	样本数	图像1	图像2	图像3	图像4	图像5	1girl	china_dress	ear_tag	looking_at_viewer	solo	blue_dress	detached_sleeves	smile	blush	open_mouth	simple_background	mouse	white_background	bow	midriff	mouth_mask	navel	denim_shorts	open_jacket	medium_breasts	purple_jacket	long_sleeves	full_body	asymmetrical_legwear	single_thighhigh	crop_top	holding	off_shoulder	short_shorts	bare_shoulders	mask_pull	skateboard	white_hair	black_shirt	blue_shorts	brown_thighhighs	food	single_sock	sleeveless_shirt	sneakers	stomach
0	15	...	...	...	...	...	X	X	X	X	X	X	X	X	X	X	X	X	X	X
1	9	...	...	...	...	...	X		X	X	X			X	X	X					X	X	X	X	X	X	X
2	9	...	...	...	...	...	X		X	X	X			X		X	X	X	X		X	X	X	X	X		X	X	X	X	X	X	X	X	X	X	X	X	X	X	X	X	X	X	X	X	X

搜集汇总

数据集介绍

构建方式

在二次元角色数据集构建领域，该数据集聚焦于《蔚蓝档案》中的角色纱绫（saya/薬子サヤ）。数据集的构建依托于DeepGHS团队开发的自动化爬取系统，从Danbooru、Pixiv、Zerochan等多个知名图站采集图像，最终收录了114张高质图片及其对应的标签信息。为提升数据可用性，数据集对角色核心标签如动物耳、鼠耳、长发、红瞳、光环等进行了精简处理。数据以多种分辨率与裁剪方式打包发布，包括保留元信息的原始版本、短边不超过1200像素的标准化版本，以及面积不小于480×480像素的三阶段裁剪版本，以适应不同训练需求。

特点

该数据集的一个显著特点在于其提供了丰富的标签聚类结果，通过自动聚类算法将图像按服饰与场景特征分组，如旗袍装、运动装等，便于研究者挖掘角色在不同装扮下的视觉模式。数据集包含114张图像，规模虽小但经过精心筛选与标注，每张图像均附有详细的标签元数据。此外，数据集支持通过Waifuc库直接加载原始数据，方便用户快速获取图像与标签信息，为文本到图像生成模型提供了结构化的训练素材。

使用方法

使用者可通过Hugging Face Hub下载多种格式的数据包。若需加载原始数据集，推荐采用Waifuc库：首先使用huggingface_hub下载dataset-raw.zip文件，解压至指定目录后，通过LocalSource类即可遍历图像及其元数据。对于标准化的训练流程，可直接使用1200像素或三阶段裁剪版本，这些数据包以IMG+TXT格式组织，便于直接接入常见的图像生成训练管线。标签聚类结果以表格形式呈现，为风格迁移或角色特征分析提供了直观的参考依据。

背景与挑战

背景概述

在生成式人工智能与动漫文化交织的浪潮中，角色数据集成为文本到图像模型实现精准人物生成的关键基石。CyberHarem团队于近期构建了名为saya_bluearchive的数据集，聚焦于游戏《蔚蓝档案》中的人气角色“纱绫”。该数据集由DeepGHS组织主导开发，旨在为二次元角色定制化生成提供高质量、多视角的视觉素材。数据集包含114张精心筛选的图像及其对应标签，核心特征涵盖兽耳、长红发、光环等标志性元素，其构建依托于自动化爬取系统，整合了Danbooru、Pixiv等主流图像社区的优质资源。这一工作填补了特定虚拟角色在可控生成领域的数据空白，为风格化图像生成、角色迁移学习等研究提供了标准化训练范例，推动了动漫领域文本到图像技术的精细化发展。

当前挑战

当前数据集面临的核心挑战体现在两个层面。其一，在领域问题层面，文本到图像生成对角色特征的保真度与多样性提出了严苛要求，而该数据集仅含114个样本，难以覆盖角色在不同服饰、姿态与场景下的完整视觉分布，易导致生成结果出现特征混淆或模式坍塌。其二，在构建过程中，自动化爬取虽提升了效率，却引入了图像质量参差、标签噪声及版权归属模糊等隐患；同时，跨平台数据的元信息统一与标签冗余修剪（如核心标签的剔除）增加了预处理复杂度，如何在有限资源下平衡数据规模、标注精度与合规性，成为制约模型泛化能力的瓶颈。

常用场景

经典使用场景

CyberHarem/saya_bluearchive 数据集专为文本到图像生成任务而设计，聚焦于《蔚蓝档案》中角色“纱绫”的视觉与语义表征。该数据集收录了114张经多源爬取（如Danbooru、Pixiv等平台）并标注核心标签（如动物耳、鼠尾、光环等）的高质量图像，提供了raw、1200及stage3-p480-1200三种规格的预处理版本，适配不同分辨率需求。其经典使用场景在于利用标签驱动的生成模型（如Stable Diffusion）进行角色一致性图像合成，通过标签约束实现角色外貌、服饰与姿势的精准再现，为动漫角色定制化生成提供了标准化数据基础。

实际应用

实际应用中，该数据集赋能了动漫与游戏产业的自动化内容生产流程。例如，在角色立绘批量生成、同人作品创作及虚拟偶像形象设计中，开发者可基于其标签体系训练轻量化模型，快速输出符合角色设定的新图像。此外，数据集的分辨率分级版本（如1200像素限制）降低了硬件门槛，支持移动端或Web端的实时推理，而waifuc库的集成更简化了从数据加载到模型部署的全链路操作，显著提升了创作效率与个性化体验。

衍生相关工作

该数据集衍生了一系列经典工作，尤其是在角色标签聚类与多模态生成领域。基于其提供的聚类结果（如旗袍、运动服等场景簇），研究者开发了服饰迁移与风格融合算法，实现了跨角色特征的解耦重组。同时，DeepGHS团队依托此数据集优化了自动爬取与标注管线，推动了大规模动漫数据集的构建标准。此外，在文本到图像模型的可解释性研究中，该数据集被用作探针，分析标签权重对生成图像特征的影响，催生了标签消融实验与注意力可视化等分析方法。