有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
HumanEdit|图像编辑数据集|数据集数据集
收藏arXiv2024-12-06 更新2024-12-07 收录
下载链接：
https://huggingface.co/datasets/BryanW/HumanEdit
下载链接
链接失效反馈资源简介：
HumanEdit是由新加坡国立大学等机构创建的高质量人类奖励数据集，专门用于基于指令的图像编辑。该数据集包含5,751张高分辨率图像，涵盖六个不同的编辑类别，如添加、移除、替换等。数据集的创建过程经过多轮人工验证和反馈，确保了数据的高准确性和可靠性。HumanEdit旨在为图像编辑任务提供一个多样化和高质量的基准，以推动未来在该领域的研究和模型评估。
提供机构：
新加坡国立大学
创建时间：
2024-12-06
AI搜集汇总
数据集介绍
构建方式
HumanEdit数据集通过一个四阶段的注释流程构建，确保了数据的高质量和多样性。首先，设计了详细的教程和测验，以确保注释者能够有效地使用DALL-E 2平台。接着，从Unsplash平台精心挑选高分辨率图像，并分配给选定的注释者进行质量评估。在第三阶段，注释者为这些图像创建新颖且多样的编辑指令，并使用DALL-E 2平台生成编辑后的图像。最后，管理员进行两级质量审查和人类反馈，确保编辑图像与指令的一致性和质量。整个过程耗时超过2500小时，最终形成了包含5751张高质量图像的数据集。
特点
HumanEdit数据集具有多个显著特点。首先，它通过多轮质量控制确保了数据的高准确性和一致性。其次，数据集包含了来自多个领域的高分辨率图像，适用于高保真度的图像编辑任务。此外，数据集区分了需要掩码和不需要掩码的编辑任务，提供了掩码以支持多样化的微调和评估需求。最后，数据集通过词云可视化、Vendi Score计算、旭日图和河流图等分析，展示了其卓越的多样性。
使用方法
HumanEdit数据集适用于多种图像编辑任务的训练和评估。用户可以通过提供的编辑指令和掩码进行模型微调，以提高图像编辑的精确度和多样性。数据集支持掩码和非掩码两种编辑模式，用户可以根据具体需求选择合适的模式。此外，数据集还提供了详细的统计数据和可视化工具，帮助用户更好地理解和利用数据集。通过使用HumanEdit，研究人员和开发者可以推动图像编辑领域的进一步发展，并建立新的评估基准。
背景与挑战
背景概述
HumanEdit数据集是由Skywork AI、新加坡国立大学、北京大学和南洋理工大学联合开发的高质量人类奖励数据集，专门用于指令引导的图像编辑。该数据集的创建旨在解决现有大规模编辑数据集在人类偏好对齐方面的不足，通过引入人类注释者和管理者的反馈，确保数据集的准确性和可靠性。HumanEdit包含了5,751张图像，涵盖了六种不同的编辑指令类型：动作、添加、计数、关系、移除和替换，这些指令类型广泛覆盖了现实世界中的各种场景。数据集的构建过程经过精心设计，包括四个阶段的注释流程，总计超过2,500小时的人力投入，确保了数据的高质量和多样性。HumanEdit的发布为未来在图像编辑领域的研究和评估提供了新的基准。
当前挑战
HumanEdit数据集在构建过程中面临了多个挑战。首先，如何确保数据集与人类偏好高度对齐是一个关键问题，因为现有的数据集往往缺乏足够的人类反馈，导致训练数据与实际用户编辑指令之间存在偏差。其次，数据集的构建需要处理复杂的图像编辑任务，如局部编辑和语义编辑，这些任务对模型的精确性和多样性提出了高要求。此外，数据集的多样性和高分辨率内容来源也是一个挑战，需要从广泛的领域中选择高质量的图像。最后，如何在保证数据质量的同时，处理大量图像的注释和验证工作，确保数据集的可靠性和实用性，也是构建过程中需要克服的难题。
常用场景
经典使用场景
HumanEdit数据集在指导性图像编辑领域中具有经典应用场景，主要用于训练和评估基于文本指令的图像编辑模型。通过提供详细的编辑指令和相应的图像掩码，该数据集能够支持多种编辑任务，如对象添加、移除、替换、动作改变、计数调整和关系修改。这些任务涵盖了广泛的现实世界场景，使得模型能够在不同编辑需求下进行精确操作。
解决学术问题
HumanEdit数据集解决了现有大规模编辑数据集在人类偏好对齐方面的挑战。传统数据集往往缺乏足够的人类反馈，导致训练数据与实际用户编辑指令之间的偏差。HumanEdit通过引入人工标注和反馈机制，确保了数据的高质量和真实性，从而提升了模型在实际应用中的表现。这一改进对于推动图像编辑领域的研究具有重要意义，为未来的模型开发和评估提供了可靠的基准。
衍生相关工作
HumanEdit数据集的发布催生了一系列相关研究工作，特别是在基于文本指令的图像编辑模型方面。例如，一些研究团队基于HumanEdit开发了新的编辑算法，提升了模型在复杂编辑任务中的表现。此外，HumanEdit还被用于评估现有模型的性能，推动了图像编辑领域的技术进步。相关工作还包括对数据集多样性和质量的进一步分析，以及探索如何利用HumanEdit进行跨模态学习和多任务训练。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国劳动力动态调查
“中国劳动力动态调查” （China Labor-force Dynamics Survey，简称 CLDS）是“985”三期“中山大学社会科学特色数据库建设”专项内容，CLDS的目的是通过对中国城乡以村/居为追踪范围的家庭、劳动力个体开展每两年一次的动态追踪调查，系统地监测村/居社区的社会结构和家庭、劳动力个体的变化与相互影响，建立劳动力、家庭和社区三个层次上的追踪数据库，从而为进行实证导向的高质量的理论研究和政策研究提供基础数据。
中国学术调查数据资料库 收录
UAVDT Dataset
The authors constructed a new UAVDT Dataset focused on complex scenarios with new level challenges. Selected from 10 hours raw videos, about 80, 000 representative frames are fully annotated with bounding boxes as well as up to 14 kinds of attributes (e.g., weather condition, flying altitude, camera view, vehicle category, and occlusion) for three fundamental computer vision tasks: object detection, single object tracking, and multiple object tracking.
datasetninja.com 收录
SEED(SJTU Emotion EEG Dataset)
种子数据集包含12名受试者的EEG和眼动数据以及另外3名受试者的EEG数据。他们在观看电影剪辑时收集了数据。电影剪辑经过精心选择，以诱发不同类型的情感，这些情感是积极的，消极的和中性的。SJTU Emotion EEG数据集 (SEED) 是由BCMI实验室提供的EEG数据集的集合，该实验室由陆宝良教授领导。该名称是从数据集的第一个版本继承而来的，但是现在我们不仅提供了情感，还提供了一个警惕数据集。截至2021年10月，累计使用种子的申请数量和研究机构数量分别达到2600个和770个以上。
OpenDataLab 收录
AgiBot World
为了进一步推动通用具身智能领域研究进展，让高质量机器人数据触手可及，作为上海模塑申城语料普惠计划中的一份子，智元机器人携手上海人工智能实验室、国家地方共建人形机器人创新中心以及上海库帕思，重磅发布全球首个基于全域真实场景、全能硬件平台、全程质量把控的百万真机数据集开源项目 AgiBot World。这一里程碑式的开源项目，旨在构建国际领先的开源技术底座，标志着具身智能领域 「ImageNet 时刻」已到来。AgiBot World 是全球首个基于全域真实场景、全能硬件平台、全程质量把控的大规模机器人数据集。相比于 Google 开源的 Open X-Embodiment 数据集，AgiBot World 的长程数据规模高出 10 倍，场景范围覆盖面扩大 100 倍，数据质量从实验室级上升到工业级标准。AgiBot World 数据集收录了八十余种日常生活中的多样化技能，从抓取、放置、推、拉等基础操作，到搅拌、折叠、熨烫等精细长程、双臂协同复杂交互，几乎涵盖了日常生活所需的绝大多数动作需求。
github 收录
集装箱数据集
集装箱数据集，包含3500张1080p集装箱图像以及其编码区的xml标注
AI_Studio 收录