Jamini Roy Inspired Dataset

本研究构建了一个新的数据集，包含印度艺术家Jamini Roy的真实画作和AI生成的画作。该数据集旨在研究扩散型生成模型在印度艺术风格，尤其是Jamini Roy独特风格下的表现。数据集通过从ArtNet获取770幅Jamini Roy画作，并使用Stable Diffusion 3模型生成对应的合成画作。数据集的构建不仅填补了印度艺术风格伪造检测研究资源的空白，而且为研究传统艺术风格与现代生成技术的交互提供了独特的基础。

This study constructs a novel dataset containing authentic artworks by Indian artist Jamini Roy and AI-generated paintings. This dataset is designed to investigate the performance of diffusion-based generative models in the context of Indian artistic styles, particularly the distinctive style of Jamini Roy. The dataset is built by retrieving 770 Jamini Roy artworks from ArtNet and generating corresponding synthetic paintings using the Stable Diffusion 3 model. The construction of this dataset not only fills the gap in research resources for Indian artistic style forgery detection, but also provides a unique foundation for studying the interaction between traditional artistic styles and modern generative technologies.

搜集汇总

数据集介绍

构建方式

Jamini Roy Inspired Dataset的构建采用了多阶段精细化的方法。研究团队首先从ArtNet平台提取了770幅Jamini Roy的真实画作，涵盖其不同时期和风格的代表作品。随后通过专家筛选出300幅具有复杂艺术元素的'困难样本'作为核心训练集。基于这些样本，研究采用DreamBooth工具对Stable Diffusion 3模型进行28,000步的微调，并创新性地结合ControlNet和IPAdapter技术，通过图像到图像转换生成合成艺术作品。整个构建过程特别注重保持Jamini Roy独特的平面构图、大地色系和民俗主题等艺术特征。

使用方法

该数据集主要服务于生成艺术检测和数字取证研究领域。使用者可通过分层抽样策略，分别提取不同噪声水平的合成样本进行模型训练。建议采用频域分析方法，重点关注功率谱中的十字纹样特征和自相关函数中的棋盘伪影。对于检测模型开发，推荐结合空间域(如自动编码器特征)与频域(傅里叶分析)的双流架构。数据集中的ControlNet生成样本特别适合研究高级控制技术对艺术伪造特征的掩盖效应。此外，数据集的'困难样本'子集可用于测试模型对复杂艺术元素的敏感度，而配套的定量指标矩阵为算法性能评估提供了多维度参照标准。

背景与挑战

背景概述

Jamini Roy Inspired Dataset是由Kushal Agrawal和Romi Banerjee等研究人员于2025年创建的，旨在研究生成式AI在印度艺术领域中的应用，特别是针对著名艺术家Jamini Roy独特艺术风格的合成图像生成与检测。该数据集包含770幅真实Jamini Roy画作及通过微调Stable Diffusion 3模型生成的合成图像，结合ControlNet和IPAdapter技术增强生成控制。其核心研究问题聚焦于扩散模型在非西方艺术风格中产生的可识别伪影，以及现有深度伪造检测技术在文化特定语境下的有效性。作为首个系统研究印度艺术的合成图像数据集，它为跨文化艺术真实性鉴定建立了重要基准，推动了生成式AI与艺术鉴证领域的交叉研究。

当前挑战

该数据集面临双重挑战：在领域问题层面，Jamini Roy独特的平面构图与有机色彩风格对现有检测模型构成特殊难度，高频笔触特征与扩散模型生成的频域伪影存在混淆风险，而文化特定元素的语义一致性维护要求模型具备跨风格泛化能力。在构建过程中，研究人员需克服真实样本稀缺性，通过ArtNet平台仅获取770幅图像；精细控制生成过程时，需平衡噪声注入与风格保真度，避免ControlNet过度校正导致的检测特征消失；此外，定量评估需开发适应艺术图像的特有指标，传统SSIM和PSNR难以捕捉风格细微差异，频域分析需针对印度艺术的十字形能谱特征进行定制化建模。

常用场景

经典使用场景

Jamini Roy Inspired Dataset在生成式AI与艺术交叉领域的研究中扮演了关键角色，尤其在印度艺术风格的合成图像生成与检测方面。该数据集通过结合真实的Jamini Roy画作与基于Stable Diffusion 3生成的合成图像，为研究者提供了一个独特的平台，用于探索扩散模型在特定文化背景下的生成能力及其潜在的检测方法。数据集的设计不仅涵盖了多样化的艺术风格和主题，还通过引入噪声水平和控制技术（如ControlNet和IPAdapter）进一步丰富了研究维度。

解决学术问题

该数据集有效解决了生成式AI在艺术领域中的两大核心学术问题：一是扩散模型在生成特定文化风格图像时引入的可识别伪影问题，二是现有深度伪造检测技术在面对高质量、文化特异性合成图像时的局限性。通过频域分析和自相关函数评估，数据集揭示了扩散模型生成图像中的独特数字痕迹，为开发更鲁棒的检测算法提供了理论基础。此外，数据集填补了非西方艺术风格在深度伪造检测研究中的空白，推动了该领域的文化多样性。

实际应用

在实际应用中，Jamini Roy Inspired Dataset为艺术鉴定、数字版权保护和文化遗产保护提供了重要工具。艺术机构可利用该数据集训练的检测模型识别AI生成的仿作，防止艺术伪造行为。教育领域可通过对比真实与合成图像，帮助学生理解传统艺术风格与AI生成技术的差异。此外，该数据集还为AI伦理研究提供了案例，促进了对生成式技术潜在滥用的讨论与规范制定。

数据集最近研究

最新研究方向

在艺术伪造检测领域，Jamini Roy Inspired Dataset的最新研究聚焦于扩散模型生成的艺术作品与真实印度民间艺术之间的鉴别技术。该数据集通过微调Stable Diffusion 3模型，结合ControlNet和IPAdapter技术，构建了包含真实作品与AI生成作品的对照样本库。当前前沿研究主要探索两个方向：一是通过傅里叶域分析和自相关度量揭示扩散模型特有的高频伪影特征，二是开发针对非西方艺术风格的通用检测框架。这项研究的意义在于填补了现有深度伪造检测技术在文化特定艺术风格上的空白，为保护印度传统艺术遗产提供了关键技术支撑。随着生成式AI在艺术创作中的广泛应用，该数据集的研究成果将对数字艺术认证和文化遗产保护产生深远影响。

相关研究论文

• Synthetic Art Generation and DeepFake Detection A Study on Jamini Roy Inspired Dataset

  印度理工学院贾木纳加尔分校 · 2025年