Darebal/furniture-catalog

该数据集名为家具目录，主要包含来自乌克兰天主教大学2026年学士论文使用机器学习进行视觉家具兼容性学习和检索的图像目录和训练分割。数据集包含两种房间类型的5,171张单个家具图像和1,781张房间场景图像，以及用于训练兼容性模型的三元组数据（golden/train/val splits）。数据来源于DeepFurniture和Sklad Mebliv，主要用于非商业学术研究。数据集还包含场景元数据、产品页面链接、家具特征嵌入（ResNet50/CLIP特征）等信息。

The dataset is named Furniture Catalog, containing image catalog and training splits from the bachelors thesis Visual Furnishings Compatibility Learning and Retrieval Using Machine Learning (Ukrainian Catholic University, 2026). It includes 5,171 individual furniture images across two room types, 1,781 room scene images, plus triplet training data (golden / train / val splits) used to train the compatibility model. The data sources are DeepFurniture and Sklad Mebliv, and it is intended for non-commercial academic research only. The dataset also includes scene metadata, product-page links, furniture embeddings (ResNet50/CLIP features), etc.

搜集汇总

数据集介绍

构建方式

Furniture Catalog数据集源自一项关于视觉家具兼容性学习与检索的本科研究，由乌克兰天主教大学于2026年完成。该数据集整合了来自DeepFurniture学术数据集和乌克兰家具零售商Sklad Mebliv两大来源的图像资料，构建了涵盖卧室与客厅两种房型的家具图像库。为了支撑兼容性模型的训练，研究者通过精心设计的三元组采样策略，将数据划分为golden、train与val三个子集，并辅以ResNet50或CLIP模型提取的家具嵌入特征用于负样本挖掘。最终形成了包含5171张单品家具图像、1781张场景图像及配套三元组标注文件的标准化数据集。

特点

该数据集的核心特色在于其专注于家具视觉兼容性研究的独特定位，通过三元组结构巧妙的编码了家具间的搭配关系。数据集的目录结构清晰，按房间类型与家具类别分门别类组织，同时提供了详尽的场景元数据和商品页面链接。三元组CSV文件不仅记录了锚点、正例与负例的标识，还包含了多种距离度量指标，为模型训练提供了丰富的监督信号。此外，数据集附带了场景划分与类别分布的统计图表，便于研究者直观理解数据构成，为室内设计领域的机器学习研究提供了高质量的基准资源。

使用方法

使用Furniture Catalog数据集时，研究者可通过GitHub仓库获取配套代码与预训练模型。推荐的工作流程为先利用download_from_hf.py脚本下载数据集与模型权重，随后运行Streamlit应用程序进行交互式探索和检索演示。对于希望复现论文实验的用户，可以直接加载train_triplets.csv和val_triplets.csv进行监督学习，或利用furniture_embeddings.json中的嵌入特征进行离线负样本挖掘。数据集采用CC BY-NC 4.0许可协议，适用于非商业学术研究，引用时需同时注明本工作及原DeepFurniture论文出处。

背景与挑战

背景概述

在室内设计与计算机视觉交叉领域，家具兼容性学习与检索是一个新兴且富有挑战性的研究方向。由乌克兰天主教大学Yaroslav-Dmytro Strus于2026年完成的学士论文工作中，Furniture Catalog数据集应运而生。该数据集聚焦于视觉家具兼容性学习与检索这一核心研究问题，旨在通过机器学习方法理解不同家具单品在室内场景中的协调搭配关系。数据集包含5,171张单品家具图像和1,781张室内场景图像，覆盖卧室与客厅两种房型，并提供了用于训练兼容性模型的三元组数据。其构建依托于DeepFurniture公开数据集与乌克兰家具零售商Sklad Mebliv的商业图像资源，为家具检索、室内设计辅助以及场景理解等计算机视觉任务提供了标准化训练与评估基准，对推动视觉兼容性学习这一细分领域的研究具有重要价值。

当前挑战

该数据集所解决的领域问题主要面临两大挑战：其一，家具兼容性学习本身属于细粒度的视觉关系理解任务，与传统的图像分类或目标检测不同，需要模型具备感知不同家具之间颜色、纹理、风格、空间布局等多维视觉线索的协调程度，这对特征表征能力和度量学习提出了极高要求。其二，在数据集构建过程中，作者面临数据来源异构的挑战——DeepFurniture数据集包含的是自然场景下的营销图像，而Sklad Mebliv提供的则是高曝光度的电商白底照片，两者在光照、视角、背景复杂度上差异显著，导致跨域对齐困难。此外，正负样本的标注依赖人工设计的兼容性规则和场景关联，如何保证三元组中锚点与正例的语义一致且负例具有足够判别难度，是构建有效训练数据的关键难点，直接影响模型的泛化性能。

常用场景

经典使用场景

在视觉家居兼容性学习与检索的研究领域中，furniture-catalog数据集作为一项重要的基准资源，被广泛用于训练和评估基于深度学习的家具搭配模型。该数据集整合了来自DeepFurniture与乌克兰家具零售商Sklad Mebliv的5,171件单品家具图像及1,781张室内场景照片，并提供了精心设计的锚点-正样本-负样本三元组训练数据。研究者通常利用这些三元组数据训练李生或三元组网络，使其学习家具在风格、材质与功能上的隐性兼容关系，从而实现精准的视觉搭配推荐。

衍生相关工作

围绕furniture-catalog数据集的发布，学术界已衍生出一系列经典工作。其原始研究依托于DeepFurniture数据集的完备架构，并进一步提出了基于ResNet50与CLIP特征编码器的负样本挖掘策略，成为后续家具兼容性学习的基线方法。此外，该数据集配合公开的权重仓库与检索工具（如furniture-compatibility-siamese模型），催生了多项关于三元组损失优化、场景上下文融合以及跨域迁移学习的研究，推动了室内视觉计算方向的社区共建与知识复现。

数据集最近研究

最新研究方向

在室内设计与计算机视觉交叉的前沿领域，furniture-catalog数据集为视觉家具兼容性学习与检索提供了高质量的三元组训练资源。当前研究热点聚焦于利用深度度量学习与多模态特征（如ResNet50与CLIP嵌入）构建细粒度的家具搭配语义空间，通过负样本挖掘策略提升检索的区分度。该数据集不仅涵盖卧室与客厅两大典型空间，更通过场景-物件映射与兼容性标注，推动了从单物品推荐到成套搭配的智能化跃迁。其衍生工作结合孪生网络与流式检索界面，为解决AI辅助软装设计中‘风格一致性’与‘空间适配性’两大核心挑战提供了可复现的基准，对智能家居与在线家具电商领域具有显著的学术与产业化意义。