Enhui-1/HoloFaceIllusion-Bench-EEG

HoloFaceIllusion-Bench-EEG是一个大规模基准数据集，专注于整体面部错觉刺激，用于测试人类与深度神经网络（DNN）在配置面部处理方面的对齐性，并支持配对的脑电图（EEG）解码器评估。数据集包含三个经典视觉错觉范式：Thatcher错觉（基于Thompson, 1980）、Part-Whole错觉（基于Tanaka & Farah, 1993）和Composite错觉（基于Young et al., 1987）。所有图像均使用传统计算机视觉技术生成，包括dlib地标检测、MediaPipe Face Mesh、InsightFace性别/年龄识别、OpenCV泊松克隆和Reinhard LAB颜色转移，未使用任何神经网络或生成式AI。数据集总计包含1,107,972张图像，基于FFHQ数据集派生，遵循CC BY-NC-SA 4.0许可，适用于学术和非商业用途。具体来说，Thatcher部分包含26,317个身份，每个身份有4个条件（正常直立、Thatcher化直立、正常倒置、Thatcher化倒置），共105,268张图像；Part-Whole部分包含188,988个案例（模板×目标×特征），每个案例4个条件，共755,952张图像；Composite部分包含61,688个案例（模板×捐赠者），每个案例4个条件，共246,752张图像。数据集旨在为心理物理学、计算机视觉和神经科学研究提供标准化刺激材料。HoloFaceIllusion-Bench-EEG is a large-scale benchmark of holistic-face illusion stimuli for testing human-vs-DNN alignment on configural face processing and for paired EEG-decoder evaluation. It includes three classical visual illusion paradigms: Thatcher illusion (based on Thompson, 1980), Part-Whole illusion (based on Tanaka & Farah, 1993), and Composite illusion (based on Young et al., 1987). All images are generated entirely using classical computer vision techniques, including dlib landmarks, MediaPipe Face Mesh, InsightFace gender/age detection, OpenCV Poisson cloning, and Reinhard LAB color transfer, with no neural networks or generative AI used. The dataset totals 1,107,972 images, derived from the FFHQ dataset, and is licensed under CC BY-NC-SA 4.0 for academic and non-commercial use. Specifically, the Thatcher section comprises 26,317 identities with 4 conditions each (upright normal, upright thatchered, inverted normal, inverted thatchered), resulting in 105,268 images; the Part-Whole section includes 188,988 cases (template × target × feature) with 4 conditions each, totaling 755,952 images; and the Composite section contains 61,688 cases (template × donor) with 4 conditions each, amounting to 246,752 images. The dataset serves as a standardized stimulus resource for psychophysics, computer vision, and neuroscience research.

搜集汇总

数据集介绍

构建方式

HoloFaceIllusion-Bench-EEG是一个大规模、系统化的整体面孔错觉基准数据集，旨在评估人类与深度神经网络在构型化面孔加工中的对齐程度，并为伴随的脑电解码器提供标准化评测平台。该数据集的构建完全依赖经典计算机视觉技术——涵盖dlib面部特征点检测、MediaPipe Face Mesh、InsightFace性别与年龄估计、OpenCV泊松克隆以及Reinhard LAB色彩迁移等——不涉及任何神经网络或生成式人工智能的像素生成环节。数据集整合了撒切尔错觉、整体与局部错觉以及合成错觉三种经典范式，共包含276,993个独立刺激案例，生成超过110万张高质量面孔图像。每个范式内均设置四种条件变体，用以系统操控面孔的整体与局部信息关系，从而产生可量化的错觉效应。

特点

该数据集的核心特点在于其严谨的实验心理学设计原则与大规模数据规模的有机结合。撒切尔错觉部分包含26,317个人脸身份，分别呈现直立正常、直立倒置五官、倒立正常与倒立倒置五官四种条件；整体与局部错觉涵盖188,988个模板-目标-特征三元组，通过替换眼睛、鼻子或嘴巴等局部特征来揭示整体面孔加工优势；合成错觉则由61,688个模板-捐赠者配对构成，在竖直对齐与错位、正立与倒立等条件下对比感知融合现象。所有刺激均经过严格的质量控制，包括同性别、年龄匹配、肤色相似度、面部嵌入距离等多维度过滤，确保错觉效应的纯净与可重复性。此外，数据以WebDataset格式组织并辅以详尽清单文件，便于大规模分布式加载与处理。

使用方法

该数据集可通过Hugging Face Datasets库以流式方式便捷加载。用户根据研究需求分别指定'thatcher'、'partwhole'或'composite'配置名称，即可获取对应范式的完整训练集。每个样本包含四种条件变体的PNG图像及其配套的面部特征点JSON元数据，在流式模式下可高效进行内存管理，适应大规模批量处理场景。对于需要本地完整拷贝的场景，推荐使用hf download命令进行全量下载。数据集遵循CC BY-NC-SA 4.0许可协议，适用于学术与非商业研究，特别是面孔知觉机制探索、计算模型与人类行为对齐验证、以及基于脑电信号的神经解码方法开发等领域。

背景与挑战

背景概述

HoloFaceIllusion-Bench-EEG数据集由西安交通大学人工智能实验团队于2026年创建，核心研究者为En Hui Li，旨在为人类与深度神经网络在整体面孔加工上的对齐性评估提供大规模标准化标杆。该数据集围绕三种经典面孔错觉范式——撒切尔错觉、部分-整体错觉与复合面孔错觉——系统构建了超过110万张高控制刺激图像，其独特之处在于完全依赖传统计算机视觉技术（如dlib关键点定位、MediaPipe面部网格、OpenCV泊松克隆等）生成像素，避免了深度生成模型可能引入的虚假纹理与统计偏差。该工作将知觉心理学经典实验范式与计算基准测试深度耦合，为理解人类整体面孔加工机制与人工智能视觉系统的差异提供了量化研究平台。

当前挑战

数据集所解决的领域问题聚焦于整体面孔加工评估中缺乏大规模、结构化、真值明确的刺激图像库的困境，传统心理学研究依赖少量手工制作刺激，难以支撑现代深度学习模型的可重复性测试。构建过程中面临的挑战包括：在复合面孔范式中，需实现不同身份面部半侧的自然融合，为此通过性别、年龄、肤色和面部嵌入距离等多重过滤器匹配模板与供体，并采用亮度通道环移与泊松克隆消除拼合接缝；在部分-整体范式中，需精确对齐局部特征替换位置并维持背景一致性；此外，每个范式都需生成四种条件变体以隔离整体加工效应，且全部图像采用扁平化tar包布局以兼容流式加载，确保数据管道的高效与可扩展性。

常用场景

经典使用场景

HoloFaceIllusion-Bench-EEG 数据集为整体面孔加工研究提供了大规模、标准化的刺激材料库。该数据集系统性地整合了撒切尔错觉、局部-整体错觉和复合面孔错觉三大经典范式，涵盖超过27万个实验案例与110万张图片。每个范式均设计了四种精确控制的实验条件，例如在撒切尔错觉范式中包含正立正常、正立倒置眼睛与嘴巴、倒立正常和倒立倒置条件。这些精心构建的刺激材料使得研究者能够在严格条件下复现经典实验，系统地评估人类与深度神经网络在整体面孔加工能力上的对齐程度，成为连接认知心理学与人工智能领域的重要桥梁。

解决学术问题

该数据集核心解决了认知科学中长期存在的测量瓶颈——缺乏大规模、可控且标准化的整体面孔错觉刺激库。传统研究多依赖少量手工制作的实验材料，难以支撑大规模跨被试、跨模型比较。HoloFaceIllusion-Bench-EEG 通过经典计算机视觉技术（如 dlib 关键点检测、MediaPipe 人脸网格、泊松克隆和颜色迁移）严格生成每种错觉的变体，排除了生成式神经网络可能引入的混淆因素。它为研究者提供了统一基准，使得系统探究整体加工的作用机制、分离不同错觉加工的神经基础、以及评估深度学习模型的类人面孔加工能力成为可能，极大推动了认知计算建模领域的发展。

衍生相关工作

基于 HoloFaceIllusion-Bench-EEG 数据集，研究者已发展出多个方向的经典延伸工作。在计算建模领域，该数据集成为检验深度卷积神经网络与该图网络是否具备类人整体加工能力的关键基准，推动了视觉感知理论的计算化复现。在认知神经科学中，伴随数据集开发的脑电记录协议为探索面孔加工的时空动态特征提供了标准范式，衍生出基于多变量模式分析的解码研究。此外，数据集的构建方法论——完全依托经典计算机视觉管道而非生成式模型——启发了后续多种无神经网络的心理学实验刺激生成框架，强调可重复性和参数控制的透明性。这些工作共同构建了从心理物理实验到人工智能对齐评估的完整研究生态。